扩展的尺度协变与尺度不变高斯导数网络在具有空间尺度变化的图像数据集上的尺度泛化特性

本文对尺度协变和尺度不变高斯导数网络的尺度泛化特性进行了深入分析，并补充了概念性和算法上的扩展。为此，在Fashion-MNIST和CIFAR-10数据集的新缩放版本上评估了高斯导数网络（GaussDerNets），测试数据中的空间尺度变化超过4倍，而这些变化在训练数据中不存在。此外，对先前存在的STIR数据集的评估表明，GaussDerNets实现了比先前报道的其他类型深度网络在这些数据集上更好的尺度泛化。我们首先通过实验证明，GaussDerNets在新数据集上具有相当好的尺度泛化特性，并且对尺度上的特征响应进行平均池化有时也可能比先前使用的尺度上最大池化方法获得更好的结果。然后，我们证明在最后一层之后使用空间最大池化机制能够在图像域中定位非中心物体，同时保持尺度泛化特性。我们还表明，在训练期间通过跨尺度通道应用dropout（称为尺度通道dropout）进行正则化，可以同时提高性能和尺度泛化能力。在额外的消融研究中，我们证明，基于高斯核的离散模拟结合中心差分算子的GaussDerNets离散化，与一组其他高斯导数核的离散近似相比，表现最佳或名列前茅。最后，通过可视化激活图和学习的感受野，我们证明GaussDerNets具有非常好的可解释性。