SelectionConv：面向非矩形图像数据的卷积神经网络
计算机视觉与模式识别
2022-07-20 v1
摘要
卷积神经网络已彻底变革了视觉应用。然而，存在一些图像域与表示无法被标准 CNN 处理（例如球面图像、超像素）。此类数据通常使用针对每种类型专用的网络与算法处理。本工作中，我们表明在这类空间上操作未必总需要使用专用神经网络。相反，我们引入一种新的结构化图卷积算子，可复制 2D 卷积权重，将已训练的传统 CNN 的能力迁移至我们的新图网络。该网络随后可操作于任何可表示为位置图的数据。通过将非矩形数据转换为图，我们可对这些不规则图像域应用这些卷积，而无需在大型特定域数据集上训练。我们展示了将预训练图像网络迁移用于分割、风格化与深度预测在多种此类数据形式上的结果。
引用
@article{arxiv.2207.08979,
title = {SelectionConv: Convolutional Neural Networks for Non-rectilinear Image Data},
author = {David Hart and Michael Whitney and Bryan Morse},
journal= {arXiv preprint arXiv:2207.08979},
year = {2022}
}
备注
To be presented at ECCV 2022