用于避免 CNN 中棋盘伪影的固定平滑卷积层
图像与视频处理
2020-02-07 v1 机器学习
机器学习
摘要
在本文中，我们提出一种具有平滑阶数的固定卷积层，不仅用于避免卷积神经网络（CNNs）中的棋盘伪影，还用于提升 CNNs 的性能，其滤波核的平滑度可由一个参数控制。众所周知，许多 CNN 在两个过程中都会产生棋盘伪影：上采样层的前向传播与步长卷积层的反向传播。所提出的层能够完全防止由步长卷积层或包含转置卷积层的上采样层引起的棋盘伪影。在采用简单 CNN、VGG8、ResNet-18 和 ResNet-101 四种 CNN 的图像分类实验中，将这些固定层应用于上述 CNN 被证明可提升所有 CNN 的分类性能。此外，固定层首次被应用于生成对抗网络（GANs）。根据图像生成结果，更平滑的固定卷积层被证明能够使我们提升 GANs 所生成图像的质量。
引用
@article{arxiv.2002.02117,
title = {Fixed smooth convolutional layer for avoiding checkerboard artifacts in CNNs},
author = {Yuma Kinoshita and Hitoshi Kiya},
journal= {arXiv preprint arXiv:2002.02117},
year = {2020}
}
备注
5 pages, to appear in IEEE International Conference on Acoustics, Speech, and Signal Processing 2020 (ICASSP 2020)