动态滤波网络
机器学习
2016-06-07 v2 计算机视觉与模式识别
摘要
在传统的卷积层中，学习到的滤波器在训练后保持固定。相比之下，我们引入了一种新框架，即动态滤波网络（Dynamic Filter Network），其中滤波器是根据输入动态生成的。我们表明该架构是强大的，由于其自适应特性而具有更高的灵活性，同时模型参数数量没有过度增加。通过这种方式可以学习各种各样的滤波操作，包括局部空间变换，也包括其他如选择性（去）模糊或自适应特征提取。此外，多个这样的层可以组合，例如在循环架构中。我们在视频和立体预测任务上展示了动态滤波网络的有效性，并以小得多的模型在 moving MNIST 数据集上达到了最先进的性能。通过可视化学习到的滤波器，我们说明网络仅通过查看无标签训练数据就获取了流信息。这表明该网络可用于以无监督方式预训练各种监督任务，如光流和深度估计。
引用
@article{arxiv.1605.09673,
title = {Dynamic Filter Networks},
author = {Bert De Brabandere and Xu Jia and Tinne Tuytelaars and Luc Van Gool},
journal= {arXiv preprint arXiv:1605.09673},
year = {2016}
}
备注
submitted to NIPS16; X. Jia and B. De Brabandere contributed equally to this work and are listed in alphabetical order