频率池化：平移等价且抗混叠的下采样
计算机视觉与模式识别
2021-09-27 v1
摘要
卷积利用了图像的平移等价先验，从而在图像处理任务中取得巨大成功。然而，卷积神经网络(CNNs)中常用的池化，如最大池化、平均池化和步长卷积，并不具有平移等价性。因此，当卷积与池化堆叠时，CNNs的平移等价性被破坏。此外，从信号处理角度看，抗混叠是池化的另一 essential 属性。然而，近期的池化既非平移等价也不抗混叠。为解决此问题，我们提出一种具有平移等价且抗混叠的新池化方法，名为频率池化。频率池化首先将特征变换至频域，然后去除超出奈奎斯特频率的频率分量。最后，它将特征变换回空间域。基于傅里叶变换与奈奎斯特频率的性质，我们证明了频率池化具有平移等价性和抗混叠性。图像分类实验表明，频率池化提升了CNNs关于平移的准确率和鲁棒性。
引用
@article{arxiv.2109.11839,
title = {Frequency Pooling: Shift-Equivalent and Anti-Aliasing Downsampling},
author = {Zhendong Zhang},
journal= {arXiv preprint arXiv:2109.11839},
year = {2021}
}
备注
10 pages