索引网络
计算机视觉与模式识别
2020-04-07 v2
摘要
我们表明，现有的上采样算子可以使用索引函数的概念统一起来。这一概念的灵感来自于深度图像抠图解码过程中的一个观察：索引引导的反池化往往比其他上采样算子（如双线性插值）能更好地恢复边界细节。通过将索引视为特征图的函数，我们引入了“学习索引”的概念，并提出了一种新颖的索引引导编码器-解码器框架，其中索引从数据中自适应地自我学习，并用于引导下采样和上采样阶段，无需额外的训练监督。该框架的核心是一个新的可学习模块，称为索引网络（IndexNet），它根据特征图本身动态生成索引。IndexNet 可作为插件应用于几乎所有具有耦合下采样和上采样阶段的现成卷积网络，使网络能够动态捕捉局部模式的变化。特别地，我们实例化并研究了五类 IndexNet，并在四项密集预测任务上展示了其有效性，包括图像去噪、图像抠图、语义分割和单目深度估计。代码和模型已发布于：https://tinyurl.com/IndexNetV1
引用
@article{arxiv.1908.09895,
title = {Index Network},
author = {Hao Lu and Yutong Dai and Chunhua Shen and Songcen Xu},
journal= {arXiv preprint arXiv:1908.09895},
year = {2020}
}
备注
17 pages. Extended version of "Indices Matter: Learning to Index for Deep Image Matting" at arXiv:1908.00672