卷积神经网络如何应对混叠
图像与视频处理
2021-02-16 v1 机器学习
信号处理
摘要
卷积神经网络(CNN)仍是解决计算机视觉问题的重要工具。标准卷积架构由逐层堆叠的操作组成，这些操作逐步对图像进行下采样。混叠是可能发生的一种众所周知的下采样副作用：它导致原始信号的高频分量与其低频分量变得不可区分。虽然下采样发生在这些模型中的最大池化层或步幅卷积中，但并没有显式机制来防止这些层中发生混叠。由于这些模型令人印象深刻的性能，很自然地怀疑它们以某种方式隐式地处理了这种失真。我们在本文中旨在回答的问题很简单：“CNN如何以及在何种程度上抵消混叠？”我们通过两个例子探讨该问题：在第一个例子中，我们评估CNN在输入处区分振荡的能力，表明中间通道中的冗余在成功完成该任务中起重要作用；在第二个例子中，我们展示了一个图像分类CNN虽然原则上能够实现抗混叠滤波器，但并未防止中间层中发生混叠。
引用
@article{arxiv.2102.07757,
title = {How Convolutional Neural Networks Deal with Aliasing},
author = {Antônio H. Ribeiro and Thomas B. Schön},
journal= {arXiv preprint arXiv:2102.07757},
year = {2021}
}
备注
To appear in the 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)