DISCO：精确的离散尺度卷积
计算机视觉与模式识别
2021-11-02 v2
摘要
尺度常被视为许多视觉任务中给定的干扰因素。如此一来，它也是我们需要在学习过程中使用更多数据的原因之一。近期工作将尺度等变性引入卷积神经网络，并被证明对一系列任务有效。我们旨在构建精确的尺度等变卷积神经网络（SE-CNNs），适用于需要高尺度粒度与小卷积核尺寸的问题。当前 SE-CNNs 依赖权值共享与核重缩放，而后者仅对整数尺度精确。为达成精确尺度等变，我们推导了尺度卷积对离散重缩放保持等变的一般约束条件。我们给出了所有存在情形下的精确解，并对其余情形计算近似。离散尺度卷积带来了收益，如在 MNIST-scale 监督学习分类与 STL-10 上取得新最优（state-of-the-art）成绩。采用相同 SE 方案，我们还提升了 OTB-13 上尺度等变 Siamese 跟踪器的计算效率。
引用
@article{arxiv.2106.02733,
title = {DISCO: accurate Discrete Scale Convolutions},
author = {Ivan Sosnovik and Artem Moskalev and Arnold Smeulders},
journal= {arXiv preprint arXiv:2106.02733},
year = {2021}
}