用于自适应风格不变神经网络的批-实例归一化
计算机视觉与模式识别
2019-04-26 v3
摘要
真实世界图像识别常受视觉风格多变性的挑战，包括物体纹理、光照条件、滤镜效果等。尽管这些变异被认为可通过更多训练数据与更深网络隐式处理，近期图像风格迁移的进展表明，显式操控风格信息也是可能的。将这一思想推广至一般视觉识别问题，我们提出批-实例归一化（BIN）以显式归一化图像中不必要的风格。考虑到某些风格特征在判别任务中起本质作用，BIN 学习选择性地仅归一化干扰性风格而保留有用风格。所提归一化模块易于嵌入现有网络架构如残差网络（ResNet），并出人意料地在多种场景下提升识别性能。此外，实验验证 BIN 通过控制保留与去除风格变异的权衡，能有效适应如物体分类与风格迁移等完全不同的任务。BIN 可使用流行深度学习框架以仅数行代码实现。
引用
@article{arxiv.1805.07925,
title = {Batch-Instance Normalization for Adaptively Style-Invariant Neural Networks},
author = {Hyeonseob Nam and Hyo-Eun Kim},
journal= {arXiv preprint arXiv:1805.07925},
year = {2019}
}