局部尺度不变卷积神经网络
计算机视觉与模式识别
2014-12-17 v1 机器学习
神经与进化计算
摘要
卷积神经网络（ConvNets）在许多视觉分类任务中已展现出卓越的结果。除 ImageNet 外，这些数据集均经过精心构建，使得物体在相似尺度下良好对齐。自然地，随着数据中变化量的增加，特征学习问题变得更具挑战性，因为模型必须学会对外观的某些变化保持不变性。ImageNet 数据集上的最新结果表明，给定足够的数据，ConvNets 能够学习此类不变性并生成极具判别力的特征 [1]。但我们能否做得更好：如果在学習过程中内置某些不变性，是否可以使用更少的参数、更少的数据来学习更具判别力的特征？在本文中，我们提出了一种简单的模型，使 ConvNets 能够以局部尺度不变的方式学习特征，而无需增加模型参数的数量。我们在修改后的 MNIST 数据集上表明，当面临尺度变化时，内置尺度不变性可使 ConvNets 学习到更具判别力的特征，并降低过拟合的风险。
引用
@article{arxiv.1412.5104,
title = {Locally Scale-Invariant Convolutional Neural Networks},
author = {Angjoo Kanazawa and Abhishek Sharma and David Jacobs},
journal= {arXiv preprint arXiv:1412.5104},
year = {2014}
}
备注
Deep Learning and Representation Learning Workshop: NIPS 2014