分析卷积网络对空间信息的依赖性
计算机视觉与模式识别
2020-02-06 v1
摘要
直观上，图像分类应受益于使用空间信息。然而，近期工作表明，在标准 CNN 中这一点可能被高估了。在本文中，我们推进边界，旨在进一步研究对空间信息的依赖。我们提出空间混洗和 GAP+FC，以在训练和测试阶段均破坏空间信息。有趣的是，我们观察到空间信息可以从后层删除且性能下降很小，这表明后层的空间信息对良好性能并非必要。例如，在 CIFAR100 上，当从最后 30% 和 53% 的层完全移除空间信息时，VGG-16 的测试准确率仅分别下降 0.03% 和 2.66%。在多个目标识别数据集（CIFAR100、Small-ImageNet、ImageNet）上使用多种 CNN 架构（VGG16、ResNet50、ResNet152）的评估显示出整体一致的模式。
引用
@article{arxiv.2002.01827,
title = {Analyzing the Dependency of ConvNets on Spatial Information},
author = {Yue Fan and Yongqin Xian and Max Maria Losch and Bernt Schiele},
journal= {arXiv preprint arXiv:2002.01827},
year = {2020}
}