广义无序池化实现隐式显著匹配
计算机视觉与模式识别
2017-07-21 v3
摘要
大多数近期的 CNN 架构使用平均池化作为最终的特征编码步骤。然而，在细粒度识别领域，诸如双线性池化之类的最近全局表示提供了改进的性能。本文中，我们将平均池化和双线性池化推广为“alpha-池化”，允许在训练过程中学习池化策略。此外，我们提出了一种可视化这些方法的决策的新方式。我们识别出训练图像中对给定测试图像预测影响最大的部分。这使得能够向用户解释决策，并分析语义部分的影响。例如，我们可以展示在识别细粒度鸟类类别时，高容量的 VGG16 模型比低容量的 VGG-M 模型更多地关注鸟的头。这两方面贡献使我们能够分析在平均池化与双线性池化之间转换时的差异。此外，实验表明我们的广义方法在各种标准数据集上均能超越两者。
引用
@article{arxiv.1705.00487,
title = {Generalized orderless pooling performs implicit salient matching},
author = {Marcel Simon and Yang Gao and Trevor Darrell and Joachim Denzler and Erik Rodner},
journal= {arXiv preprint arXiv:1705.00487},
year = {2017}
}
备注
Published at International Conference on Computer Vision (ICCV) 2017