面向 ConvNets 的大采样场动态滤波
计算机视觉与模式识别
2019-09-10 v3 机器学习
摘要
我们提出了一种面向 ConvNets 的大采样场动态滤波策略 (LS-DFN)，其中特定位置卷积核不仅从同一位置学习，还从多个采样的邻域区域学习。在采样过程中，引入残差学习以简化训练，并应用注意力机制来融合来自不同样本的特征。这种多样本采样在不增加更多参数的情况下显著扩大了卷积核的感受野。LS-DFN 继承了 DFN 的优势，即通过逐位置卷积核避免特征图模糊同时保持平移不变性，它还有效缓解了由于参数远多于普通 CNN 而导致的过拟合问题。我们的模型高效，可通过标准反向传播进行端到端训练。我们在涉及目标检测、语义分割和光流估计的稀疏与稠密预测任务上展示了 LS-DFN 的优势。结果表明，与强基线相比，LS-DFN 在 VOC 基准上的目标检测和语义分割任务中具有更强的识别能力，并在 FlyingChairs 数据集上的光流估计中具有更敏锐的响应。
引用
@article{arxiv.1803.07624,
title = {Dynamic Filtering with Large Sampling Field for ConvNets},
author = {Jialin Wu and Dai Li and Yu Yang and Chandrajit Bajaj and Xiangyang Ji},
journal= {arXiv preprint arXiv:1803.07624},
year = {2019}
}
备注
ECCV 2018