用于深度图像分类的尺度变异与尺度不变特征学习
计算机视觉与模式识别
2016-05-16 v2
摘要
卷积神经网络 (CNNs) 需要大型图像语料库来训练分类任务。图像分辨率、所描绘物体与模式的大小以及图像尺度的变化，阻碍了 CNN 的训练与性能，因为任务相关信息随空间尺度变化。先前试图处理此类尺度变化的工作侧重于鼓励尺度不变的 CNN 表示。然而，尺度不变表示是不完整的图像表示，因为图像也包含尺度变异信息。本文探讨尺度不变与尺度变异表示的联合发展。我们提出一种多尺度 CNN 方法来鼓励对两类特征的识别，并在涉及多尺度任务相关特征的具有挑战性的图像分类任务上对其进行评估。结果表明我们的多尺度 CNN 优于单尺度 CNN。这得出结论：在 CNN 中鼓励尺度不变与尺度变异表示的联合发展有益于图像识别性能。
引用
@article{arxiv.1602.01255,
title = {Learning scale-variant and scale-invariant features for deep image classification},
author = {Nanne van Noord and Eric Postma},
journal= {arXiv preprint arXiv:1602.01255},
year = {2016}
}