面向全卷积 DenseNet 的层级循环滤波
计算机视觉与模式识别
2018-10-16 v2 机器学习
摘要
生成对环境的鲁棒表征是学习智能体的关键能力。基于深度学习的方案已大幅改进感知系统，但在具挑战性情形下仍会失效。这些失效往往无法基于单幅图像解决。本工作中，我们提出一种参数高效的时间滤波概念，将已有的单帧分割模型扩展至可处理多帧。所得到的循环架构以层级方式对所有抽象层级的表征进行时间滤波，同时将时间依赖性与场景表征解耦。利用合成数据集，我们展示了模型应对数据扰动的能力，并凸显了循环与层级滤波的重要性。
引用
@article{arxiv.1810.02766,
title = {Hierarchical Recurrent Filtering for Fully Convolutional DenseNets},
author = {Jörg Wagner and Volker Fischer and Michael Herman and Sven Behnke},
journal= {arXiv preprint arXiv:1810.02766},
year = {2018}
}
备注
In Proceedings of 26th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), Bruges, Belgium, 2018