卷积神经网络中的全局-局部处理
计算机视觉与模式识别
2023-06-16 v1 人工智能
摘要
卷积神经网络（CNNs）在图像处理任务中取得了卓越的性能。实际上，CNNs 在微观层面（人工神经元）上模仿了典型发育的人类大脑结构。与此同时，它们在宏观架构（高级认知）上远离了对人类自然视觉感知的模仿。最近有研究指出，CNNs 高度偏向于局部特征，而未能检测其输入的全局方面。然而，文献中关于这一问题的线索有限。为此，我们受人类瞳孔无意识行为的启发，提出了一种简单而有效的解决方案。我们设计了一个称为全局优势流（Global Advantage Stream, GAS）的简单模块，以学习并捕获输入样本的整体特征（即全局特征）。随后，GAS 特征作为一个即插即用组件与 CNN 网络结合，称为全局/局部处理（GLP）模型。实验结果证实，该流在微不足道的额外计算/时间负载下提高了准确率，并使网络对对抗攻击更具鲁棒性。此外，对模型可解释性的探究表明，它学习到了类似于健康人类感知系统的更具整体性的表征。
引用
@article{arxiv.2306.08336,
title = {Global-Local Processing in Convolutional Neural Networks},
author = {Zahra Rezvani and Soroor Shekarizeh and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2306.08336},
year = {2023}
}