DeSTNet：密集融合的空间变换器网络
计算机视觉与模式识别
2018-07-17 v2
摘要
现代卷积神经网络（CNN）在一系列计算机视觉任务上极为强大。然而，当数据因空间变换引起较大的类内差异时，其性能可能下降。空间变换器网络（STN）是当前为 CNN 提供消除这些变换并在端到端学习框架中提升性能能力的方法首选。本文提出密集融合空间变换器网络（DeSTNet），据我们所知，它是首个用于组合多个 STN 的密集融合模式。具体而言，我们展示了将多个 STN 的连接模式从顺序改为密集如何产生更强大的对齐模块。在 MNIST、GTSRB 和 IDocDB 三个基准上的大量实验表明，所提技术在准确率和鲁棒性方面均优于相关最优方法（即 STN 和 CSTN）。
引用
@article{arxiv.1807.04050,
title = {DeSTNet: Densely Fused Spatial Transformer Networks},
author = {Roberto Annunziata and Christos Sagonas and Jacques Calì},
journal= {arXiv preprint arXiv:1807.04050},
year = {2018}
}
备注
Accepted for publication at the 29th British Machine Vision Conference (BMVC 2018)