利用CNN中幂卷积提升特征表示对图像形变的鲁棒性
计算机视觉与模式识别
2017-07-26 v1
摘要
本文中，我们解决利用卷积神经网络（CNNs）学习的特征表示对图像形变的鲁棒性提升问题。我们认为特征分布的高阶矩统计量可能因图像形变而发生偏移，且如实验分析所观察，该偏移导致性能下降且无法被普通归一化方法减弱。为缓解此效应，我们通过将幂函数与可学习参数结合进卷积操作，在CNNs中引入额外的非线性。实验中，我们观察到采用所提方法的CNNs在大规模基准数据集上于各类形变下的泛化性能与鲁棒性均获得显著提升。例如，在Pascal Voc目标检测任务中使用形变图像时，配备所提方法的模型相比参考模型在mAP上获得3.3%的性能提升，而两模型在使用原始图像时性能相同。据我们所知，这是首项研究利用CNNs学习的深度特征对广泛形变在目标识别与检测中的鲁棒性的工作。
引用
@article{arxiv.1707.07830,
title = {Improving Robustness of Feature Representations to Image Deformations using Powered Convolution in CNNs},
author = {Zhun Sun and Mete Ozay and Takayuki Okatani},
journal= {arXiv preprint arXiv:1707.07830},
year = {2017}
}