通过分组主动卷积整合多感受野
计算机视觉与模式识别
2019-02-12 v2
摘要
卷积网络已在各类视觉任务中取得巨大成功，这主要归功于对网络结构的大量研究。本研究不关注架构，而是聚焦于卷积单元本身。现有卷积单元形状固定，局限于观测受限的感受野。在前期工作中，我们提出了主动卷积单元(ACU)，其可自由定义形状并自行学习。本文对先前提出的单元进行了详细分析，表明其为稀疏权重卷积的一种高效表示。此外，我们将 ACU 扩展为分组 ACU，可在单层内观测多个感受野。我们发现朴素分组卷积的性能随组数增加而下降，但所提单元即便参数量减少仍能保持精度。基于该结果，我们提出了深度可分离 ACU，多种实验表明我们的单元高效且可替代现有卷积。
引用
@article{arxiv.1811.04387,
title = {Integrating Multiple Receptive Fields through Grouped Active Convolution},
author = {Yunho Jeon and Junmo Kim},
journal= {arXiv preprint arXiv:1811.04387},
year = {2019}
}