模糊池化
机器学习
2022-02-18 v1 人工智能
计算机视觉与模式识别
摘要
卷积神经网络（CNNs）是基于两种运算的人工学习系统：卷积通过滤波实现特征提取，池化实现降维。已有若干先前工作强调了池化对 CNN 分类性能的影响，并提出了多种替代池化算子。然而，其中仅有少数处理了通过卷积从输入层自然传播到隐藏层特征图的那种不确定性。本文提出一种基于（一类）模糊集的新型池化运算，以应对特征图的局部不精确性，并研究其在图像分类中的性能。模糊池化通过对特征图邻域的模糊化、聚合与去模糊化来实现。它用于构建模糊池化层，可作为 CNN 架构中现有清晰（crisp）池化层的直接替换。使用公开可用数据集的若干实验表明，所提方法能提升 CNN 的分类性能。一项对比评估显示其优于当前最优的池化方法。
引用
@article{arxiv.2202.08372,
title = {Fuzzy Pooling},
author = {Dimitrios E. Diamantis and Dimitris K. Iakovidis},
journal= {arXiv preprint arXiv:2202.08372},
year = {2022}
}
备注
The final version of the paper has been published in https://ieeexplore.ieee.org/document/9197689