密集残差网络：增强字符识别中的全局密集特征流
计算机视觉与模式识别
2021-02-10 v4
摘要
深度卷积神经网络（CNNs），如密集卷积网络（DenseNet），通过挖掘深层层次信息在图像表示方面取得了巨大成功。然而，大多数现有网络只是简单堆叠卷积层，因而未能充分发掘层间的局部与全局特征信息。本文主要探索如何通过充分利用所有卷积层的层次特征来增强局部与全局密集特征流。在技术上，我们提出了一种高效且有效的 CNN 框架，即快速密集残差网络（FDRN），用于文本识别。为构建 FDRN，我们提出了一种新的快速残差密集块（f-RDB），以保留原始 RDB 的局部特征融合与局部残差学习能力，同时可减少计算量。在充分学习局部残差密集特征后，我们利用求和操作与若干 f-RDB，通过模仿密集块的构建方式定义一种称为全局密集块（GDB）的新块，以整体方式自适应地学习全局残差密集特征。最后，我们使用两个卷积层构建下采样块以缩减全局特征尺寸并提取更深特征。大量仿真表明，与其他相关模型相比，FDRN 获得了增强的识别结果。
引用
@article{arxiv.2001.09021,
title = {Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition},
author = {Zhao Zhang and Zemin Tang and Yang Wang and Zheng Zhang and Choujun Zhan and Zhengjun Zha and Meng Wang},
journal= {arXiv preprint arXiv:2001.09021},
year = {2021}
}
备注
Please cite this work as: Zhao Zhang, Zemin Tang, Yang Wang, Zheng Zhang, Choujun Zhan, Zhengjun Zha and Meng Wang, "Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition," Neural Networks (NN), Feb 2021. arXiv admin note: text overlap with arXiv:1912.07016