用于图像识别的对偶互补动态卷积
计算机视觉与模式识别
2022-11-14 v1
摘要
作为强大的引擎，原始卷积已在各种计算机任务中推动了巨大突破。然而，它常受限于样本无关和内容无关问题，这限制了卷积神经网络（CNNs）的表示能力。在本文中，我们首次将场景特徵建模为个体拥有的局部空间自适应部分与共享给所有个体的全局平移不变部分的组合，然后提出一种新颖的双分支对偶互补动态卷积（DCDC）算子来灵活处理这两类特徵。DCDC算子克服了原始卷积和大多数仅捕获空间自适应特徵的现有动态卷积的局限，从而显著提升了CNNs的表示能力。实验表明，基于DCDC算子的ResNets（DCDC-ResNets）在图像分类以及包括目标检测、实例分割和全景分割任务在内的下游任务上显著优于原始ResNets和大多数最先进的动态卷积网络，同时具有更低的FLOPs和参数量。
引用
@article{arxiv.2211.06163,
title = {Dual Complementary Dynamic Convolution for Image Recognition},
author = {Longbin Yan and Yunxiao Qin and Shumin Liu and Jie Chen},
journal= {arXiv preprint arXiv:2211.06163},
year = {2022}
}