基于向量场的卷积神经网络尺度等变性
计算机视觉与模式识别
2018-08-01 v1
摘要
我们研究了将局部尺度等变性注入卷积神经网络的效果。这是通过将每个卷积滤波器在多个尺度上应用来实现的。输出是一个向量场，编码最大激活尺度及尺度本身，并由后续的卷积层进一步处理。这使得所有中间表示都具有局部尺度等变性。我们表明，在回归应用于随机缩放的 MNIST 数字的缩放因子的尺度等变任务中，该方法将模型性能提升了超过 。此外，我们发现它对于尺度不变任务也很有用，例如对随机缩放数字的实际分类。这凸显了通过保持内部尺度等变性来允许紧凑表示并学习不同局部尺度之间关系的效用。
引用
@article{arxiv.1807.11783,
title = {Scale equivariance in CNNs with vector fields},
author = {Diego Marcos and Benjamin Kellenberger and Sylvain Lobry and Devis Tuia},
journal= {arXiv preprint arXiv:1807.11783},
year = {2018}
}
备注
ICML/FAIM 2018 workshop on Towards learning with limited labels: Equivariance, Invariance, and Beyond (oral presentation)