正则化池化
计算机视觉与模式识别
2020-08-07 v2 机器学习
摘要
在卷积神经网络（CNNs）中，池化操作起着降维和形变补偿等重要作用。通常，作为局部池化最广泛使用的操作，最大池化是对每个核独立执行的。然而，形变在相邻核之间可能是空间平滑的。这意味着最大池化过于灵活，难以补偿实际形变。换言之，其过度的灵活性有可能消除类之间本质的空间差异。在本文中，我们提出正则化池化，它使池化操作中的取值选择方向在相邻核之间空间平滑，从而仅补偿实际形变。在手写字符图像和纹理图像上的实验结果表明，与常规池化操作相比，正则化池化不仅提高了识别精度，还加速了学习的收敛。
引用
@article{arxiv.2005.03709,
title = {Regularized Pooling},
author = {Takato Otsuzuki and Hideaki Hayashi and Yuchen Zheng and Seiichi Uchida},
journal= {arXiv preprint arXiv:2005.03709},
year = {2020}
}
备注
12 pages, 10 figures, accepted for ICANN 2020