仅仅是尺度问题吗？重新评估卷积神经网络中的尺度等变性
计算机视觉与模式识别
2022-11-21 v1
摘要
卷积神经网络的广泛成功很大程度上可归因于其内在的平移等变特性。然而，卷积对尺度变化并不等变，且无法泛化到不同大小的物体。尽管该领域近期取得了进展，当前方法在真实世界数据上对未观测尺度的泛化能力如何、以及尺度等变性在多大程度上发挥作用仍不清楚。为此，我们提出了基于四个不同领域的新型尺度与平移图像识别（STIR）基准。此外，我们引入了一类新模型，其并行应用多个共享权重的重缩放核，随后选择最合适的一个。我们在STIR上的实验结果表明，现有方法与所提方法相比标准卷积均能改善跨尺度泛化。我们还证明，我们的模型族能够较好地泛化到更大尺度并改善尺度等变性。此外，由于其独特设计，我们可验证核选择与输入尺度一致。即便如此，所有被评估的模型在尺度差异较大时均无法保持性能，这表明对尺度等变性如何改善泛化与鲁棒性仍缺乏总体理解。
引用
@article{arxiv.2211.10288,
title = {Just a Matter of Scale? Reevaluating Scale Equivariance in Convolutional Neural Networks},
author = {Thomas Altstidl and An Nguyen and Leo Schwinn and Franz Köferl and Christopher Mutschler and Björn Eskofier and Dario Zanca},
journal= {arXiv preprint arXiv:2211.10288},
year = {2022}
}