基于尺度空间理论的深度卷积网络分辨率学习
计算机视觉与模式识别
2023-10-25 v3
摘要
深度卷积神经网络（CNN）中的分辨率通常受限于感受野大小（通过滤波器尺寸）以及特征图上的下采样层或步长卷积。最优分辨率可能因数据集不同而有显著差异。现代 CNN 将分辨率超参数硬编码于网络架构中，使得此类超参数的调优十分繁琐。我们主张摒弃硬编码的分辨率超参数，旨在从数据中学习恰当的分辨率。我们利用尺度空间理论获得滤波器的自相似参数化，并采用 N-Jet：一种截断泰勒级数，通过高斯导数滤波器的学习组合来近似滤波器。高斯基的参数 sigma 同时控制滤波器所编码的细节量和滤波器的空间范围。由于 sigma 是连续参数，我们可针对损失对其优化。所提出的 N-Jet 层在用于最先进架构时取得可比性能，同时自动学习每一层中的正确分辨率。我们在分类与分割任务上评估了 N-Jet 层，并表明学习 sigma 对于多尺寸输入尤为有益。
引用
@article{arxiv.2106.03412,
title = {Resolution learning in deep convolutional networks using scale-space theory},
author = {Silvia L. Pintea and Nergis Tomen and Stanley F. Goes and Marco Loog and Jan C. van Gemert},
journal= {arXiv preprint arXiv:2106.03412},
year = {2023}
}
备注
Preprint accepted by IEEE Transactions on Image Processing, 2021 (TIP). Link to final published article: https://ieeexplore.ieee.org/abstract/document/9552550