KerCNN：受生物学启发的侧向连接用于 corrupted 图像分类
计算机视觉与模式识别
2019-10-21 v1 图像与视频处理
神经元与认知
摘要
许多计算机视觉任务的最先进水平由卷积神经网络（CNN）代表。尽管其层次化组织与局部特征提取受灵长类视觉系统结构启发，此类架构中侧向连接的缺失使其分析与生物物体处理存在关键区别。近年来，以无几何约束的学习循环核形式，将卷积型循环侧向连接引入 CNN 的想法已付诸实践。本工作中，我们引入生物学上合理的侧向核，编码 CNN 前馈滤波器间的相关性概念：在每一层，关联核充当激活空间上的转移核。侧向核由滤波器定义，从而提供一种无参数方法，基于前馈结构评估水平连接的几何。我们随后在一项与全局形状分析及模式补全相关的泛化任务上测试这一称为 KerCNN 的新架构：网络在训练用于基础图像分类后，在 corrupted 测试图像上评估。所考察的图像扰动旨在破坏通过局部特征识别图像的能力，从而需要上下文信息的整合——在生物视觉中这与侧向连接密切相关。我们的 KerCNN 对此类退化远比 CNN 与循环 CNN 稳定，从而验证了这种受生物学启发以在挑战性条件下增强物体识别的方法。
引用
@article{arxiv.1910.08336,
title = {KerCNNs: biologically inspired lateral connections for classification of corrupted images},
author = {Noemi Montobbio and Laurent Bonnasse-Gahot and Giovanna Citti and Alessandro Sarti},
journal= {arXiv preprint arXiv:1910.08336},
year = {2019}
}