具有门控循环连接的卷积神经网络
计算机视觉与模式识别
2021-06-08 v1
摘要
卷积神经网络（CNN）已成为解决许多计算机视觉问题的基本模型。近年来，受动物视觉系统中丰富循环连接启发，提出了一类新的CNN——循环卷积神经网络（RCNN）。RCNN的关键要素是循环卷积层（RCL），它在标准卷积层的神经元之间引入了循环连接。随着循环计算次数增加，RCL中神经元的感受野（RF）无界扩张，这与生物学事实不符。我们提出通过对循环连接引入门控来调节神经元的感受野。门控控制输入神经元的上下文信息量，从而使神经元的感受野变为自适应。所得层称为门控循环卷积层（GRCL）。多个GRCL构成称为门控RCNN（GRCNN）的深度模型。GRCNN在包括物体识别、场景文本识别和物体检测在内的若干计算机视觉任务上进行了评估，并取得了远优于RCNN的结果。此外，当与其他自适应感受野技术结合时，GRCNN在这些任务的基准数据集上展现出与最先进（SOTA）模型相竞争的性能。代码发布于 \href{https://github.com/Jianf-Wang/GRCNN}{https://github.com/Jianf-Wang/GRCNN}。
引用
@article{arxiv.2106.02859,
title = {Convolutional Neural Networks with Gated Recurrent Connections},
author = {Jianfeng Wang and Xiaolin Hu},
journal= {arXiv preprint arXiv:2106.02859},
year = {2021}
}
备注
Accepted by TPAMI. An extension of our previous NeurIPS 2017 paper "Gated recurrent convolution neural network for OCR". We demonstrate the good performance of GRCNN on image classification and object detection. Codes are available at: https://github.com/Jianf-Wang/GRCNN