用于视觉感知的全复值深度学习模型
计算机视觉与模式识别
2022-12-15 v1
摘要
在复域中运行的深度学习模型因其丰富的表示能力而被使用。然而，这些模型大多要么局限于复平面的第一象限，要么将复值数据投影到实域，导致信息丢失。本文提出，完全在复域中运行可提升复值模型的整体性能。我们提出了一种新颖的全复值学习方案，使用新提出的复值损失函数和训练策略来训练全复值卷积神经网络（FC-CNN）。在 CIFAR-10、SVHN 和 CIFAR-100 上的基准测试表明，FC-CNN 相比其实值对应模型有 4-10% 的提升，且保持模型复杂度。在参数更少的情况下，它在 CIFAR-10 和 SVHN 上取得了与最先进复值模型相当的性能。对于 CIFAR-100 数据集，它以少 25% 的参数取得了最先进的性能。FC-CNN 展现出比其他所有模型更好的训练效率和更快的收敛速度。
引用
@article{arxiv.2212.07146,
title = {Fully complex-valued deep learning model for visual perception},
author = {Aniruddh Sikdar and Sumanth Udupa and Suresh Sundaram},
journal= {arXiv preprint arXiv:2212.07146},
year = {2022}
}
备注
6 pages, 2 figures