超越p-卷积以学习灰度形态学算子
图像与视频处理
2021-02-22 v1 机器学习
摘要
将数学形态学运算集成到深度神经网络中近来受到越来越多的关注。然而，用腐蚀或膨胀替换标准卷积层尤其具有挑战性，因为最小值和最大值运算不可微。依赖于反调和平均的渐近行为，p-卷积层被提出作为该问题的一种可能变通方案，因为它们可以执行伪膨胀或伪腐蚀运算（取决于其内部参数 p 的值），并且报道了非常有前景的结果。在这项工作中，我们提出了两种基于与p-卷积层相同原理的新形态学层，同时规避了其主要的缺点，并展示了它们在深度卷积神经网络架构中进一步实现的潜在价值。
引用
@article{arxiv.2102.10038,
title = {Going beyond p-convolutions to learn grayscale morphological operators},
author = {Alexandre Kirszenberg and Guillaume Tochon and Elodie Puybareau and Jesus Angulo},
journal= {arXiv preprint arXiv:2102.10038},
year = {2021}
}