Gabor卷积网络
计算机视觉与模式识别
2023-03-30 v4
摘要
可操纵特性主导了传统滤波器（例如 Gabor 滤波器）的设计，并赋予特征处理空间变换的能力。然而，在流行的深度卷积神经网络（DCNNs）中，这种优异特性尚未得到充分探索。在本文中，我们提出了一种称为 Gabor 卷积网络（GCNs 或 Gabor CNNs）的新深度模型，它将 Gabor 滤波器融入 DCNNs 中，以增强深度习得特征对方向和尺度变化的抵抗能力。通过仅基于 Gabor 滤波器操纵 DCNNs 的基本元素（即卷积算子），GCNs 可以轻松实现，并且与任何流行的深度学习架构兼容。实验结果证明了我们的算法在识别频繁发生尺度和旋转变化的物体方面的超强能力。所提出的 GCNs 具有少得多的可学习网络参数，因此更易于通过端到端流水线进行训练。
引用
@article{arxiv.1705.01450,
title = {Gabor Convolutional Networks},
author = {Shangzhen Luan and Baochang Zhang and Chen Chen and Xianbin Cao and Jungong Han and Jianzhuang Liu},
journal= {arXiv preprint arXiv:1705.01450},
year = {2023}
}