深入探究卷积网络中的抗混叠
计算机视觉与模式识别
2020-08-24 v1
摘要
混叠指的是高频信号在采样后退化为完全不同信号的现象。由于下采样层被广泛采用以减少参数和计算量，它在深度学习的语境下成为一个问题。标准的解决方案是在下采样前应用低通滤波器（例如高斯模糊）。然而，由于特征图的频率在空间位置和特征通道上都可能变化，对整个内容应用相同滤波器可能是次优的。为了解决这个问题，我们提出了一种自适应内容感知低通滤波层，它为输入特征图的每个空间位置和通道组预测单独的滤波器权重。我们研究了所提方法在多个任务上的有效性和泛化能力，包括ImageNet分类、COCO实例分割和Cityscapes语义分割。定性和定量结果表明，我们的方法能有效适应不同的特征频率以避免混叠，同时保留用于识别的有用信息。代码可在 https://maureenzou.github.io/ddac/ 获取。
引用
@article{arxiv.2008.09604,
title = {Delving Deeper into Anti-aliasing in ConvNets},
author = {Xueyan Zou and Fanyi Xiao and Zhiding Yu and Yong Jae Lee},
journal= {arXiv preprint arXiv:2008.09604},
year = {2020}
}
备注
[Accepted in BMVC2020] code: https://maureenzou.github.io/ddac/