形状定制深度神经网络
计算机视觉与模式识别
2021-02-18 v1
摘要
我们提出形状定制深度神经网络（ST-DNN）。ST-DNN 扩展了卷积网络（CNN）——后者从固定形状（方形）邻域聚合数据——以计算定义于任意形状区域上的描述子。这对于分割而言是自然的，因为描述子应描述具有多样形状的区域（例如物体）。我们通过泊松偏微分方程（PDE）来构造这些描述子，该方程可用于将卷积推广到任意区域。我们堆叠多个 PDE 层，将深度 CNN 推广到任意区域，并将其应用于分割。我们表明 ST-DNN 对平移和旋转协变，且对域形变具有鲁棒性，这些特性对分割而言是自然的，而现有基于 CNN 的方法缺乏这些特性。ST-DNN 比用于分割的 CNN 小 3-4 个数量级。我们表明，在纹理分割问题上，与使用小 2-3 个数量级训练集的最先进基于 CNN 的描述子相比，它们超越了分割性能。
引用
@article{arxiv.2102.08497,
title = {Shape-Tailored Deep Neural Networks},
author = {Naeemullah Khan and Angira Sharma and Ganesh Sundaramoorthi and Philip H. S. Torr},
journal= {arXiv preprint arXiv:2102.08497},
year = {2021}
}