特征透镜:用于变换不变视觉表示的即插即用神经模块
计算机视觉与模式识别
2020-04-14 v1 图像与视频处理
摘要
卷积神经网络(CNNs)在各种图像变换下(包括旋转、缩放和光照条件变化)已知是脆弱的。我们观察到变换后图像的特征与原始图像的特征截然不同。为使 CNN 对变换更具不变性,我们提出“特征透镜”,一组可轻松插入训练后模型(称为“宿主模型”)的专用模块。每个独立透镜在特定变换下根据变换图像的特征重建原始特征。这些透镜共同抵消由各种变换引起的特征失真,从而无需重训练即令宿主模型更鲁棒。仅更新透镜,宿主模型在面对训练数据中缺失的新变换时免于迭代更新;由于特征语义被保留,下游应用(如分类器与检测器)自动获得鲁棒性而无需重训练。透镜以无标注的自监督方式训练,通过最小化透镜变换特征与原始特征间新颖的“Top-K 激活对比损失”。在 ImageNet、MNIST-rot 和 CIFAR-10 上评估,特征透镜显示出相对于基线方法的明显优势。
引用
@article{arxiv.2004.05554,
title = {Feature Lenses: Plug-and-play Neural Modules for Transformation-Invariant Visual Representations},
author = {Shaohua Li and Xiuchao Sui and Jie Fu and Yong Liu and Rick Siow Mong Goh},
journal= {arXiv preprint arXiv:2004.05554},
year = {2020}
}
备注
20 pages