LiftPool：双向卷积神经网络池化
计算机视觉与模式识别
2021-04-05 v1
摘要
池化是卷积神经网络中用于增大感受野并提升对输入变化的鲁棒性的关键操作。现有多数池化操作对特征图进行下采样，这是一个有损过程。此外，它们不可逆：对下采样后的特征图进行上采样无法恢复下采样中丢失的信息。借鉴信号处理中经典的提升格式（Lifting Scheme）思想，我们提出用于双向池化层的 LiftPool，包括 LiftDownPool 和 LiftUpPool。LiftDownPool 将特征图分解为多个不同尺寸的子带，每个子带包含不同频率的信息。由于 LiftDownPool 中的池化函数完全可逆，通过反向执行 LiftDownPool，相应的上池化层 LiftUpPool 能够利用细节子带生成精细的上采样特征图，这对于图像到图像的转换任务十分有用。实验表明，在使用多种骨干网络时，所提方法在图像分类和语义分割上取得了更好的结果。此外，LiftDownPool 对输入损坏和扰动具有更好的鲁棒性。
引用
@article{arxiv.2104.00996,
title = {LiftPool: Bidirectional ConvNet Pooling},
author = {Jiaojiao Zhao and Cees G. M. Snoek},
journal= {arXiv preprint arXiv:2104.00996},
year = {2021}
}
备注
published on ICLR 2021