基于 CNN 与池化层的快速特征提取
计算机视觉与模式识别
2018-05-09 v1 机器学习
机器学习
摘要
近年来，许多文献表明基于卷积神经网络的特征可以比人工设计特征具有更优性能。然而，迄今为止在整幅图像上高效提取局部特征方面所作努力甚少。本文提出一种在存在池化与步长层时，一次性高效计算整幅图像上面片式局部特征描述子的方法。我们的方法是通用的，可应用于几乎所有现有网络架构。这包括用于所有局部特征提取任务的网络，如相机标定、Patchmatching、光流估计与立体匹配。此外，我们的方法可应用于其他基于面片的方法，如滑动窗口目标检测与识别。我们以流行 CNN 特征提取方法在整幅图像上（使用与不使用我们的加速）的速度基准测试，以及展示任意 CNN 架构如何被我们的方法轻松转换的示例代码（针对 Torch）来完善本文。
引用
@article{arxiv.1805.03096,
title = {Fast Feature Extraction with CNNs with Pooling Layers},
author = {Christian Bailer and Tewodros Habtegebrial and Kiran varanasi and Didier Stricker},
journal= {arXiv preprint arXiv:1805.03096},
year = {2018}
}
备注
Accepted at BMVC 2017