用于图像识别的朝向卷积网络
计算机视觉与模式识别
2021-02-03 v1
摘要
深度卷积神经网络（DCNNs）能够获取强大的图像表示，已在图像识别中引起极大关注。然而，受内部机制所限，它们在建模朝向变换方面存在不足。本文中，我们基于所提出的地标 Gabor 滤波器（LGFs）开发了用于图像识别的朝向卷积网络（OCNs），可增强所学表示对朝向变化的鲁棒性。通过以 LGFs 调制卷积滤波器，OCNs 可与任何现有深度学习网络兼容。LGFs 充当通过选取 个代表性 Gabor 滤波器作为地标而实现的 Gabor 滤波器组，并将原始 Gabor 滤波器表达为这些地标的稀疏线性组合。具体而言，基于矩阵分解框架，利用稀疏性与低秩约束对原始 Gabor 滤波器的局部与全局结构进行灵活整合。随着低秩结构的传播，用于表征原始 Gabor 滤波器组的相应稀疏性可显著提升。在多个基准上的实验结果表明，与现有最先进方法相比，我们的方法对朝向较不敏感，且在精度与代价上均产生更优性能。此外，我们的 OCNs 需学习的参数极少，并能显著降低训练网络的复杂度。
引用
@article{arxiv.2102.01523,
title = {Orientation Convolutional Networks for Image Recognition},
author = {Yalan Qin and Guorui Feng and Hanzhou Wu and Yanli Ren and Xinpeng Zhang},
journal= {arXiv preprint arXiv:2102.01523},
year = {2021}
}