深度网络中的保细节池化
计算机视觉与模式识别
2018-04-13 v1 机器学习
摘要
大多数卷积神经网络使用某种方法逐步下缩放隐藏层的尺寸。这通常被称为池化，用于减少参数数量、提升对某些畸变的不变性以及增大感受野尺寸。由于池化本质上是有损过程，每个这样的层保持对网络判别性最重要的激活部分至关重要。然而，块上的简单最大化或平均（最大或平均池化），或以步幅卷积形式的普通下采样仍是标准做法。本文中，我们旨在利用近期关于图像下缩放的成果服务于深度学习。受聚焦于局部空间变化的人类视觉系统启发，我们提出保细节池化（DPP），一种放大空间变化并保留重要结构细节的自适应池化方法。重要的是，其参数可与网络其余部分联合学习。我们分析其若干理论性质，并在多个数据集与网络上展示其经验优势，其中 DPP 始终优于先前的池化方法。
引用
@article{arxiv.1804.04076,
title = {Detail-Preserving Pooling in Deep Networks},
author = {Faraz Saeedan and Nicolas Weber and Michael Goesele and Stefan Roth},
journal= {arXiv preprint arXiv:1804.04076},
year = {2018}
}
备注
To appear at CVPR 2018