面向卷积神经网络的对数极坐标空间卷积
计算机视觉与模式识别
2021-07-27 v1
摘要
卷积神经网络使用规则的四边形卷积核来提取特征。由于参数数量随卷积核尺寸呈二次增长，许多流行模型使用小卷积核，导致低层网络的局部感受野较小。本文提出一种新颖的对数极坐标空间卷积（LPSC）方法，其中卷积核为椭圆形，并根据相对方向与对数距离将其局部感受野自适应地划分为不同区域。局部感受野随距离层级数量呈指数增长。因此，所提出的 LPSC 不仅自然编码局部空间结构，还在保持参数数量的同时大幅增加了单层感受野。我们展示了 LPSC 可通过对数极坐标空间池化用常规卷积实现，并可应用于任何网络架构以替换常规卷积。在不同任务和数据集上的实验证明了所提 LPSC 的有效性。代码见 https://github.com/BingSu12/Log-Polar-Space-Convolution。
引用
@article{arxiv.2107.11943,
title = {Log-Polar Space Convolution for Convolutional Neural Networks},
author = {Bing Su and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2107.11943},
year = {2021}
}