基于高斯分数阶导数的结构化 CNN 滤波器频率学习
计算机视觉与模式识别
2021-11-15 v1
摘要
频率信息是基于纹理乃至不同物体进行判别的基础。经典 CNN 架构通过固定滤波器尺寸限制了频率学习，且缺乏显式控制频率的方式。此处，我们构建于具有高斯导数基的结构化感受野滤波器之上。然而，不同于使用预定的导数阶数（其通常使基函数具有固定频率响应），我们学习这些阶数。我们表明，通过学习基的阶数可精确学习滤波器的频率，从而适应底层学习任务的最优频率。我们研究了分数阶导数的严谨数学表述，以在训练中调整滤波器频率。与标准 CNN 及我们所基于的高斯导数 CNN 滤波器网络相比，我们的表述带来了参数节省与数据效率。
引用
@article{arxiv.2111.06660,
title = {Frequency learning for structured CNN filters with Gaussian fractional derivatives},
author = {Nikhil Saldanha and Silvia L. Pintea and Jan C. van Gemert and Nergis Tomen},
journal= {arXiv preprint arXiv:2111.06660},
year = {2021}
}
备注
Accepted at BMVC 2021