用于改进密集预测的平滑空洞卷积
计算机视觉与模式识别
2019-05-03 v2 机器学习
摘要
空洞卷积，又称带孔卷积，已在深度卷积神经网络（DCNNs）中被广泛探索用于各种密集预测任务。然而，空洞卷积存在网格状伪影，阻碍了性能。在本工作中，我们通过研究空洞卷积的分解，提出了两种简单而有效的去网格化方法。与现有通过关注级联空洞卷积层块来探索解决方案的模型不同，我们的方法通过平滑空洞卷积本身来解决网格状伪影。此外，我们指出这两种去网格化方法本质相关，并定义了可分且与共享（SS）操作，对所述方法进行了推广。我们进一步从图操作的角度探讨 SS 操作，并提出 SS 输出层，其仅通过替换输出层即可平滑整个 DCNNs。我们全面评估了去网格化方法与 SS 输出层，并通过有效感受野分析可视化了平滑效果。结果表明，我们的去网格化方法在密集预测任务性能上带来了一致提升，同时仅增加了可忽略的额外训练参数。而 SS 输出层显著提升了性能，并且在训练参数数量上非常高效。
引用
@article{arxiv.1808.08931,
title = {Smoothed Dilated Convolutions for Improved Dense Prediction},
author = {Zhengyang Wang and Shuiwang Ji},
journal= {arXiv preprint arXiv:1808.08931},
year = {2019}
}
备注
The original version was accepted by KDD2018. Code is publicly available at https://github.com/divelab/dilated