面向稠密预测的频域与空域联合学习
计算机视觉与模式识别
2022-02-21 v1
摘要
当前人工神经网络主要在空域中进行学习过程，而忽视了频域学习。然而，在频域中进行的学习过程可比空域中更高效。本文充分探索频域学习，并提出一种频域与空域的联合学习范式。该范式可充分利用频域学习与空域学习的优势；具体而言，频域与空域学习可分别有效捕获全局与局部信息。在两个稠密预测任务（即自监督深度估计与语义分割）上的详尽实验表明，所提联合学习范式能够 1) 即使在无预训练情况下，也在深度估计与语义分割任务中取得与 SOTA 方法相竞争的性能；以及 2) 相较于其他 SOTA 方法显著减少参数量，这为开发现实应用提供了更多机会。我们希望所提方法能激励更多跨域学习的研究。
引用
@article{arxiv.2202.08991,
title = {Joint Learning of Frequency and Spatial Domains for Dense Predictions},
author = {Shaocheng Jia and Wei Yao},
journal= {arXiv preprint arXiv:2202.08991},
year = {2022}
}