当前卷积架构管理位置与尺度 nuisance 可变性的能力实证评估
计算机视觉与模式识别
2016-04-29 v2 机器学习
神经与进化计算
摘要
我们进行了一项实证研究，以测试卷积神经网络（CNNs）减少输入数据 nuisance 变换（如位置、尺度和长宽比）影响的能力。我们通过采用通用的卷积架构来隔离因素：要么全局部署在图像上以计算类别后验分布，要么局部限制以计算给定由候选启发式确定的边界框的位置、尺度和长宽比下的类条件分布。理论上，对后者取平均应比适当的边际化（marginalization）产生更差的性能。然而经验证据暗示相反，使我们得出结论：在当前的卷积架构复杂度和用于训练它们的数据集规模下，CNN 并不非常有效地对边际化 nuisance 可变性。我们还量化了上下文对整体分类任务的影响及其对 CNN 性能的冲击，并提出了用于启发式候选方案的改进采样技术，将端到端性能提升至最先进水平（state-of-the-art）。我们在使用 ImageNet Challenge 基准的分类任务以及使用 Oxford 和 Fischer 数据集的宽基线匹配任务上测试了我们的假设。
引用
@article{arxiv.1505.06795,
title = {An Empirical Evaluation of Current Convolutional Architectures' Ability to Manage Nuisance Location and Scale Variability},
author = {Nikolaos Karianakis and Jingming Dong and Stefano Soatto},
journal= {arXiv preprint arXiv:1505.06795},
year = {2016}
}
备注
10 pages, 5 figures, 3 tables -- CVPR 2016, camera-ready version