频率解耦残差网络
计算机视觉与模式识别
2022-02-01 v2
摘要
残差网络（ResNets）已被用于各种计算机视觉和图像处理应用。残差连接通过更好的梯度流改善了网络的训练。一个残差块包含若干具有可训练参数的卷积层，这会导致过拟合。此外，现有的残差网络不能恰当地利用高频和低频信息，这也挑战了网络的泛化能力。本文提出了一种频率解耦残差网络（FDResNet）来解决这些问题。具体而言，FDResNet 在残差块中分别为低频和高频分量设置了独立的连接。本质上，所提出的模型解耦了低频和高频分量以增强泛化能力。此外，使用固定滤波器计算低频和高频分量进一步避免了过拟合。我们在基准数据集 CIFAR10/100、Caltech 和 TinyImageNet 上测试了所提出的模型用于图像分类的性能，并在图像检索框架下测试了其性能。我们注意到，所提出的模型优于其对应的残差模型，并评估了核大小和标准差的影响，同时利用显著性图分析了频率解耦的效果。
引用
@article{arxiv.2109.12556,
title = {Frequency Disentangled Residual Network},
author = {Satya Rajendra Singh and Roshan Reddy Yedla and Shiv Ram Dubey and Rakesh Sanodiya and Wei-Ta Chu},
journal= {arXiv preprint arXiv:2109.12556},
year = {2022}
}