用于图像分类的卷积神经网络上的翻转-旋转-池化卷积与 Split Dropout
计算机视觉与模式识别
2015-08-03 v1
摘要
本文提出了一种称为 Split Dropout (sDropout) 的 Dropout 新版本以及旋转卷积技术，以提升卷积神经网络（CNNs）在图像分类上的性能。广泛使用的标准 Dropout 具有通过在训练期间随机丢弃单元来防止深度神经网络过拟合的优势。我们的 sDropout 随机将数据拆分为两个子集并保留两者，而非丢弃其中一个子集。我们还引入了两种旋转卷积技术，即旋转-池化卷积（RPC）与翻转-旋转-池化卷积（FRPC），以增强 CNNs 对旋转变换的鲁棒性。这两种技术将旋转不变性编码入网络，且不增加额外参数。在 ImageNet2012 分类任务上的实验评估表明，sDropout 不仅提升了性能，而且收敛更快。此外，RPC 和 FRPC 使 CNNs 对旋转变换更具鲁棒性。总体而言，相较于原始网络，FRPC 与 sDropout 结合在 ImageNet 2012 分类任务中带来了 （Zeiler and Fergus~\cite{zeiler2013visualizing} 的模型，10-view，top-1）的准确率提升。
引用
@article{arxiv.1507.08754,
title = {Flip-Rotate-Pooling Convolution and Split Dropout on Convolution Neural Networks for Image Classification},
author = {Fa Wu and Peijun Hu and Dexing Kong},
journal= {arXiv preprint arXiv:1507.08754},
year = {2015}
}