几何算子卷积神经网络
计算机视觉与模式识别
2018-09-05 v1
摘要
近几十年来，卷积神经网络（CNN）已成功应用于诸多领域；然而其在处理许多实际问题时缺乏利用先验领域知识的能力。我们提出一种称为几何算子卷积神经网络（GO-CNN）的框架，该框架使用领域知识，将第一卷积层的核替换为几何算子函数生成的核。该框架集成了许多传统几何算子，从而能适应多样化问题。在特定条件下，我们从理论上分析了 GO-CNN 与常规 CNN 之间泛化误差的收敛性与上界。尽管几何算子卷积核比常规卷积核具有更少的可训练参数，实验结果表明 GO-CNN 在 CIFAR-10/100 上的精度优于常规 CNN。此外，GO-CNN 降低了对训练样本量的依赖并增强了对抗稳定性。在诊断骨折的医疗实用任务中，GO-CNN 在召回率方面取得了 3% 的提升。
引用
@article{arxiv.1809.01016,
title = {Geometric Operator Convolutional Neural Network},
author = {Yangling Ma and Yixin Luo and Zhouwang Yang},
journal= {arXiv preprint arXiv:1809.01016},
year = {2018}
}
备注
16 pages