反卷积–卷积网络
计算机视觉与模式识别
2021-03-23 v1 人工智能
摘要
二维卷积神经网络（CNN）可以说已成为计算机视觉任务的事实标准。然而，近期研究发现，CNN 可能并非一维模式识别的最佳选择，尤其是对于训练样本超过 100 万的数据集，例如现有基于 CNN 的一维信号方法高度依赖人工预处理。常见做法包括利用离散傅里叶变换（DFT）将一维信号重构成二维数组。为补充已有知识，本文提出一种新颖的一维数据处理算法，通过学习深度反卷积–卷积网络来进行一维大数据分析。我们未采用基于人工的技术，而是使用反卷积层将一维信号转换为二维数据。在反卷积模型之上，数据由二维 CNN 进行识别。与现有一维信号处理算法相比，DCNet 具有更少人工推断和更高泛化性能的优势。我们在分类与回归任务上，使用从 5 万到 1100 万不等数量的训练样本所得的实验结果，证明了新方法的优越性。
引用
@article{arxiv.2103.11887,
title = {Deconvolution-and-convolution Networks},
author = {Yimin Yang and Wandong Zhang and Jonathan Wu and Will Zhao and Ao Chen},
journal= {arXiv preprint arXiv:2103.11887},
year = {2021}
}