LIP：基于局部重要性的池化
计算机视觉与模式识别
2019-08-28 v3
摘要
空间下采样层在卷积神经网络（CNNs）中备受青睐，用于缩小特征图以获得更大感受野和更少内存消耗。然而，对于判别性任务，这些层可能因不当的池化策略而丢失判别性细节，从而阻碍学习过程并最终导致次优模型。本文从局部重要性视角出发，针对现有下采样层（如平均池化、最大池化和步长卷积）提出了一个统一框架。在该框架中，我们分析了这些广泛使用的池化层的问题，并总结出设计有效下采样层的准则。根据此分析，我们提出了一种概念上简单、通用且有效的基于局部重要性建模的池化层，称为基于局部重要性的池化（LIP）。LIP 能在下采样过程中通过基于输入学习自适应重要性权重来自动增强判别性特征。实验结果表明，在 ImageNet 分类上，LIP 在不同深度和不同架构下均能持续带来显著增益。在具有挑战性的 MS COCO 数据集上，以我们的 LIP-ResNets 为骨干的检测器相比原始 ResNets 获得了一致提升（），尤其在单尺度测试方案下检测小物体方面达到了当前最优性能。
引用
@article{arxiv.1908.04156,
title = {LIP: Local Importance-based Pooling},
author = {Ziteng Gao and Limin Wang and Gangshan Wu},
journal= {arXiv preprint arXiv:1908.04156},
year = {2019}
}
备注
ICCV 2019 camera ready version. Code: https://github.com/sebgao/LIP