利用一阶散射变换压缩 CNN 的输入
计算机视觉与模式识别
2018-10-01 v1 机器学习
机器学习
摘要
我们研究一阶散射变换，将其作为减少卷积神经网络（CNN）所处理信号的候选方法。我们给出理论与经验证据：在自然图像且平移不变性足够小的情况下，该变换保留了分类所需的大部分信号信息，同时大幅降低了空间分辨率与总信号大小。我们证明，将 CNN 与该表示级联的性能与 ImageNet 分类模型（如下游任务常用的 ResNet-50）相当。随后，我们将训练好的混合 ImageNet 模型作为检测系统的基础模型，该系统通常具有更大的图像输入。在 Pascal VOC 与 COCO 检测任务上，我们展示了相较于直接在输入图像上训练的模型，推理速度与训练内存消耗均有改善。
引用
@article{arxiv.1809.10200,
title = {Compressing the Input for CNNs with the First-Order Scattering Transform},
author = {Edouard Oyallon and Eugene Belilovsky and Sergey Zagoruyko and Michal Valko},
journal= {arXiv preprint arXiv:1809.10200},
year = {2018}
}