PSConv：将特征金字塔压缩为单一紧凑多尺度卷积层
计算机视觉与模式识别
2020-07-14 v1
摘要
尽管卷积神经网络(CNN)具有强大的建模能力，它们往往对尺度敏感。为增强 CNN 对尺度变化的鲁棒性，现有方案多关注来自不同层或滤波器的多尺度特征融合，而更细粒度的核空间被忽视。我们通过利用更细粒度下的多尺度特征弥补这一遗憾。所提出的卷积操作名为多尺度卷积(Poly-Scale Convolution, PSConv)，混合了一系列膨胀率，并巧妙地将它们分配至每个滤波器的各个卷积核中，针对单一卷积层。具体而言，膨胀率沿滤波器输入与输出通道的轴循环变化，以简洁的方式聚合大范围尺度的特征。PSConv 可作为许多主流 CNN 骨干网络中普通卷积的直接替换，在不引入额外参数与计算复杂度的前提下实现更好的表示学习。在 ImageNet 与 MS COCO 基准上的综合实验验证了 PSConv 的优越性能。代码与模型见 https://github.com/d-li14/PSConv。
引用
@article{arxiv.2007.06191,
title = {PSConv: Squeezing Feature Pyramid into One Compact Poly-Scale Convolutional Layer},
author = {Duo Li and Anbang Yao and Qifeng Chen},
journal= {arXiv preprint arXiv:2007.06191},
year = {2020}
}
备注
Accepted by ECCV 2020. Code and models are available at https://github.com/d-li14/PSConv