基于等价映射的密集 CNN 学习
计算机视觉与模式识别
2016-05-25 v1
摘要
大感受野与密集预测对于语义分割等像素标注任务实现高精度均至关重要，然而这两个特性相互矛盾。一个步长为 2 的池化层将感受野尺寸扩大四倍，却使预测数量降至 25%。现有一些方法通过与原模型不等价的计算来实现密集预测。本文提出等价卷积（eConv）与等价池化（ePool）层，所得预测既密集又与基线 CNN 模型等价。使用 eConv 和 ePool 学习的密集预测模型可将基线 CNN 的参数作为起点进行迁移，并可将密集模型中学习到的参数逆向迁移回原始模型，从而兼具快速测试速度与高精度。所提出的 eConv 与 ePool 层在语义分割、目标定位、图像分类及表观年龄估计等多种任务中均取得了高于基线 CNN 的精度，且不仅限于需要密集像素标注的任务。
引用
@article{arxiv.1605.07251,
title = {Dense CNN Learning with Equivalent Mappings},
author = {Jianxin Wu and Chen-Wei Xie and Jian-Hao Luo},
journal= {arXiv preprint arXiv:1605.07251},
year = {2016}
}
备注
submitted to NIPS 2016