尺度不变卷积神经网络
计算机视觉与模式识别
2014-11-25 v1 机器学习
神经与进化计算
摘要
尽管卷积神经网络（CNN）在各种计算机视觉任务中已实现接近人类的性能，但其容忍尺度变化的能力有限。流行的做法是先扩大模型规模，然后利用广泛的尺度抖动（scale-jittering）进行数据增强训练。在本文中，我们提出了一种尺度不变卷积神经网络（SiCNN），该模型旨在将多尺度特征提取和分类纳入网络结构中。SiCNN 采用多列架构，每一列专注于特定的尺度。与以往的多列策略不同，这些列通过彼此间的尺度变换共享同一组滤波器参数。这种设计在不显著增加模型规模的情况下解决了尺度变化问题。实验结果表明，SiCNN 能够检测各种尺度的特征，且其分类结果对物体尺度变化表现出强大的鲁棒性。
引用
@article{arxiv.1411.6369,
title = {Scale-Invariant Convolutional Neural Networks},
author = {Yichong Xu and Tianjun Xiao and Jiaxing Zhang and Kuiyuan Yang and Zheng Zhang},
journal= {arXiv preprint arXiv:1411.6369},
year = {2014}
}
备注
This paper is submitted for CVPR2015