用于语义分割与分类的自校正扰动
计算机视觉与模式识别
2017-08-04 v2 人工智能
机器学习
摘要
在过去十年中，卷积神经网络一直是一个具有重要意义的课题，在许多计算机视觉问题中取得最先进的性能方面取得了长足进步。然而，深度网络的行为尚未被完全理解，仍是一个活跃的研究领域。在这项工作中，我们提出了一种引人入胜的行为：通过对输入进行结构性扰动，可以使预训练的CNN改进其预测。我们观察到，这些扰动——被称为引导扰动——使得训练好的网络能够在没有任何学习或网络权重改变的情况下提高其预测性能。我们进行了各种消融实验，以了解这些扰动如何影响局部上下文和特征表示。此外，我们证明这一想法能够提升现有几种方法在 PASCAL VOC 数据集上的语义分割和场景标注任务以及在 MNIST 和 CIFAR10 数据集上的监督分类任务的性能。
引用
@article{arxiv.1703.07928,
title = {Self corrective Perturbations for Semantic Segmentation and Classification},
author = {Swami Sankaranarayanan and Arpit Jain and Ser Nam Lim},
journal= {arXiv preprint arXiv:1703.07928},
year = {2017}
}
备注
Accepted to ICCV 2017