局部尺度等变性：基于潜在深层均衡正规化器
计算机视觉与模式识别
2025-08-21 v1 图形学
机器学习
摘要
尺度变化是计算机视觉中的根本性挑战。同一类的物体可以具有不同的大小，而且其感知大小还会受到相机距离的影响。这些变化是局部的，即不同的物体大小在同一图像内可能以不同方式变化。为了有效处理尺度变化，我们提出了一种深层均衡正规化器（DEC）来提高模型的局部尺度等变性。DEC 可以轻松集成到现有网络架构中，并且可以适应预训练模型。值得注意的是，在竞争性的 ImageNet 基准上，DEC 在四个流行预训练深度网络（如 ViT、DeiT、Swin 和 BEiT）上提高了模型性能和局部尺度一致性。我们的代码可在 https://github.com/ashiq24/local-scale-equivariance 获取。
引用
@article{arxiv.2508.14187,
title = {Local Scale Equivariance with Latent Deep Equilibrium Canonicalizer},
author = {Md Ashiqur Rahman and Chiao-An Yang and Michael N. Cheng and Lim Jun Hao and Jeremiah Jiang and Teck-Yian Lim and Raymond A. Yeh},
journal= {arXiv preprint arXiv:2508.14187},
year = {2025}
}