具有邻域相似度的卷积网络中的外观不变性
计算机视觉与模式识别
2017-07-05 v1 机器学习
摘要
我们提出一种邻域相似度层(NSL)，当与卷积层结合使用时，它能在网络中诱导外观不变性。我们的动机源于如下观察：尽管卷积网络具有较低的泛化误差，其泛化能力并不扩展到未被训练数据代表的样本。例如，虽然学过概念的新外观对人类视觉系统不成问题，但前馈卷积网络在此类情况下通常无法成功。受格式塔相似性分组原则启发，所提出的NSL以其输入特征图上每个像素处的特征向量作为参照系，即注意中心，对其周围邻域进行变换。该变换是空间变化的，因此并非卷积。它是可微的；因此，包含该层的网络可以端到端方式训练。我们分析了NSL对训练数据中未代表的外观显著变化的不变性。我们还展示了其在数字识别、语义标注和细胞检测问题中的优势。
引用
@article{arxiv.1707.00755,
title = {Appearance invariance in convolutional networks with neighborhood similarity},
author = {Tolga Tasdizen and Mehdi Sajjadi and Mehran Javanmardi and Nisha Ramesh},
journal= {arXiv preprint arXiv:1707.00755},
year = {2017}
}