利用 SIFT 描述子实现旋转不变卷积神经网络
计算机视觉与模式识别
2019-04-02 v1 机器学习
机器学习
摘要
本文提出一种在卷积神经网络中利用独特不变特征的新方法。所提出的 CNN 模型使用尺度不变特征变换（SIFT）描述子替代最大池化层。最大池化层丢弃姿态，即低级特征之间的平移与旋转关系，因而无法捕获低级与高级特征之间的空间层次结构。SIFT 描述子层捕获由卷积层提取特征的方向与空间关系。所提出的 SIFT 描述子 CNN 因此结合了 CNN 模型的特征提取能力与 SIFT 描述子的旋转不变性。在 MNIST 与 fashionMNIST 数据集上的实验结果表明，相较文献中现有常规方法取得了合理提升。
引用
@article{arxiv.1904.00197,
title = {Exploiting SIFT Descriptor for Rotation Invariant Convolutional Neural Network},
author = {Abhay Kumar and Nishant Jain and Chirag Singh and Suraj Tripathi},
journal= {arXiv preprint arXiv:1904.00197},
year = {2019}
}
备注
Accepted in IEEE INDICON 2018