ELASTIC：通过动态缩放策略改进 CNN
计算机视觉与模式识别
2019-04-10 v2
摘要
尺度变化从计算机视觉的传统方法到现代方法一直是一个挑战。大多数解决尺度问题的方案都有一个相似的思路：一组直观且手动设计的、通用且固定的策略（例如 SIFT 或特征金字塔）。我们认为缩放策略应从数据中学习。在本文中，我们介绍 ELASTIC，一种简单、高效且非常有效的方法，用于从数据中学习动态尺度策略。我们将缩放策略表述为网络结构内的一个非线性函数，它（a）从数据中学习，（b）是实例特定的，（c）不增加额外计算，且（d）可应用于任何网络架构。我们将 ELASTIC 应用于几种最先进的网络架构，并在 ImageNet 分类、MSCOCO 多标签分类和 PASCAL VOC 语义分割上展示了持续的改进，且无额外（有时甚至更低）的计算。我们的结果显示了对具有尺度挑战的图像的显著改进。我们的代码可在此获取：https://github.com/allenai/elastic
引用
@article{arxiv.1812.05262,
title = {ELASTIC: Improving CNNs with Dynamic Scaling Policies},
author = {Huiyu Wang and Aniruddha Kembhavi and Ali Farhadi and Alan Yuille and Mohammad Rastegari},
journal= {arXiv preprint arXiv:1812.05262},
year = {2019}
}
备注
CVPR 2019 oral, code available https://github.com/allenai/elastic