深度表观卷积神经网络

深度卷积神经网络近期在极具挑战性的图像识别任务中表现出极强的竞争力。本文提出表观卷积（epitomic convolution）作为深度神经网络的一种新构建模块。表观卷积层取代了标准深度卷积神经网络中连续的一对卷积层和最大池化层。所提模型的主要版本使用微型表观（mini-epitomes）替代滤波器，并通过表观搜索计算对小平移不变的响应，而非对图像位置进行最大池化。所提模型的地形版本使用大型表观来学习按平移地形组织的滤波器图。我们展示了误差反向传播可以成功地以监督方式学习多个表观层。在标准基准上的图像分类任务评估了所提方法的有效性。我们在 ImageNet 上的实验表明，与具有类似架构的标准卷积神经网络相比，识别性能有所提升。我们在 ImageNet 上预训练的模型在 Caltech-101 上表现优异。我们在小图像数据集 MNIST 和 CIFAR-10 上也获得了具有竞争力的图像分类结果。