尺度协变和尺度不变的高斯导数网络
计算机视觉与模式识别
2024-09-19 v9 机器学习
摘要
本文提出了一种尺度空间理论与深度学习之间的混合方法，其中通过级联耦合参数化的尺度空间操作来构建深度学习架构。通过在多个尺度通道之间共享学习参数，并利用尺度空间原语在尺度变换下的变换性质，所得网络被证明是尺度协变的。此外，通过对多个尺度通道执行最大池化，用于图像分类的最终网络架构也被证明是尺度不变的。我们在MNISTLargeScale数据集上研究了此类网络的性能，该数据集包含来自原始MNIST的重缩放图像，训练数据缩放因子为4，测试数据缩放因子为16。结果表明，所提出的方法允许尺度泛化，使得在训练数据中未出现的尺度上也能良好地分类模式。
引用
@article{arxiv.2011.14759,
title = {Scale-covariant and scale-invariant Gaussian derivative networks},
author = {Tony Lindeberg},
journal= {arXiv preprint arXiv:2011.14759},
year = {2024}
}
备注
21 pages, 10 figures