将形态学击中-击不中变换扩展至深度神经网络
计算机视觉与模式识别
2020-09-29 v2
摘要
尽管大多数深度学习架构建立在卷积之上，但形态学等替代基础正被探索用于可解释性及其与几何结构分析和处理的联系。形态学击中-击不中运算的优势在于，在评估图像中目标形状时同时考虑前景和背景信息。在此，我们指出已有击中-击不中神经网络定义的局限性，并 formulated 一个优化问题以相对于更深架构学习该变换。为此，我们对击中与击不中结构元素（SEs）交集应为空这一语义重要条件进行建模，并提出了一种表达 Don't Care（DNC）的方式，DNC 对于表示 SE 中与检测目标模式无关的区域十分重要。我们的分析表明，卷积实际上通过其滤波器差异的语义解释起到了击中-击不中变换的作用。基于这些前提，我们引入了一种扩展，在基准数据上优于常规卷积。我们在合成和基准数据上提供了定量实验，表明直接编码的击中-击不中变换在所学形状与物体一致方面提供了更好的可解释性，而我们受形态学启发的广义卷积带来了更高的分类准确率。最后，给出了相对于单一形态学层的定性的击中与击不中滤波器可视化。
引用
@article{arxiv.1912.02259,
title = {Extending the Morphological Hit-or-Miss Transform to Deep Neural Networks},
author = {Muhammad Aminul Islam and Bryce Murray and Andrew Buck and Derek T. Anderson and Grant Scott and Mihail Popescu and James Keller},
journal= {arXiv preprint arXiv:1912.02259},
year = {2020}
}