用于提升卷积神经网络显著性的深度格林函数卷积
计算机视觉与模式识别
2020-01-22 v2 机器学习
摘要
当前的显著性方法需要使用小卷积核学习大尺度区域特征，这在简单的前馈网络中无法实现。一些方法通过分割成超像素来解决此问题，另一些则通过网络缩小图像再将其缩放回原始尺寸。本文旨在证明，显著性卷积神经网络（CNN）可通过使用格林函数卷积（GFC）将边缘特征外推至显著区域而得到改进。GFC 充当梯度积分器，能够直接在 CNN 内部通过填充细边缘来产生显著性特征。为此，我们提出了梯度积分与求和（GIS）层，将边缘特征与显著性特征相结合。使用 HED 和 DSS 架构，我们证明了在网络输出附近添加 GIS 层可降低对参数初始化的敏感性、减少过拟合并提高训练的可重复性。仅通过向最先进的 DSS 模型添加一个 GIS 层，在 DUT-OMRON 数据集上的 F-measure 绝对提升了 1.6%，且仅增加 10ms 的计算时间。GIS 层还使网络在高噪声图像或低亮度图像情况下性能显著提升。事实上，我们观察到当数据集添加噪声时 F-measure 提升 5.2%，当亮度降低时提升 2.8%。由于 GIS 层与模型无关，它可以被集成到不同的全卷积网络中。当前工作的一个主要贡献是首次在神经网络内部实现了格林函数卷积，这使得网络能够同时在特征域和梯度域中运行，从而通过边缘填充改善区域表示。
引用
@article{arxiv.1908.08331,
title = {Deep Green Function Convolution for Improving Saliency in Convolutional Neural Networks},
author = {Dominique Beaini and Sofiane Achiche and Alexandre Duperré and Maxime Raison},
journal= {arXiv preprint arXiv:1908.08331},
year = {2020}
}
备注
15 pages, 11 figures