Recombinator Networks：学习由粗到细的特征聚合
计算机视觉与模式识别
2016-04-19 v2
摘要
具有交替的卷积、最大池化和下采样层的深度神经网络广泛应用于计算机视觉的最先进架构中。最大池化有意丢弃精确的空间信息，以创建更鲁棒的特征，这些特征通常组织为较低分辨率的空间特征图。在某些任务上，如整图分类，由最大池化导出的特征非常合适；然而，对于需要精确定位的任务，如像素级预测和分割，最大池化恰好破坏了表现良好所需的信息。精确的定位可以通过不带池化的浅层卷积网络来保持，但代价是鲁棒性。我们能否既拥有最大池化的多层蛋糕又享用它？若干论文提出了基于求和与拼接的方法，将上采样的粗粒度、抽象特征与更细的特征结合，以产生鲁棒的像素级预测。在此我们引入另一种模型——称为 Recombinator Networks——其中粗特征在其形成的早期就告知细特征，使得细特征能够利用若干计算层来决定如何使用粗特征。该模型一次性端到端训练，并且比基于求和的架构表现更好，在两个面部关键点数据集 AFW 和 AFLW 上将先前最先进方法的误差降低了 30%，并在不使用额外数据的情况下在 300W 上击败当前最先进水平。我们通过添加基于一种新颖卷积网络公式的去噪预测模型进一步提升了性能。
引用
@article{arxiv.1511.07356,
title = {Recombinator Networks: Learning Coarse-to-Fine Feature Aggregation},
author = {Sina Honari and Jason Yosinski and Pascal Vincent and Christopher Pal},
journal= {arXiv preprint arXiv:1511.07356},
year = {2016}
}
备注
accepted in CVPR 2016