解耦网络
计算机视觉与模式识别
2018-04-24 v1 机器学习
机器学习
摘要
基于内积的卷积一直是卷积神经网络（CNNs）的核心组件，也是学习视觉表示的关键。受如下观察启发：CNN 学习到的特征自然解耦，其中特征的范数对应类内变化、角度对应语义差异，我们提出一种通用的解耦学习框架，该框架独立地对类内变化和语义差异建模。具体而言，我们首先将内积重参数化为解耦形式，再将其推广为解耦卷积算子，作为我们解耦网络的构建模块。我们给出了若干有效的解耦卷积算子实例。每个解耦算子均有充分的动机且具备直观的几何解释。基于这些解耦算子，我们进一步提出直接从数据中学习该算子。大量实验表明，此种解耦重参数化带来了显著的性能提升，且具有更易收敛和更强鲁棒性的优点。
引用
@article{arxiv.1804.08071,
title = {Decoupled Networks},
author = {Weiyang Liu and Zhen Liu and Zhiding Yu and Bo Dai and Rongmei Lin and Yisen Wang and James M. Rehg and Le Song},
journal= {arXiv preprint arXiv:1804.08071},
year = {2018}
}
备注
CVPR 2018 (Spotlight)