SMPConv：用于连续卷积的自移动点表示
计算机视觉与模式识别
2023-04-06 v1
摘要
连续卷积近来因能处理不规则采样数据并建模长期依赖而受到重视。此外，使用大卷积核的有前景的实验结果催化了连续卷积的发展，因为它们能非常高效地构建大核。利用神经网络，更具体地说是多层感知机（MLP），是实现连续卷积迄今为止最主流的方法。然而，其存在一些缺点，如计算成本高、超参数调优复杂以及滤波器的描述能力有限。本文提出了一种不使用神经网络构建连续卷积的替代方法，从而在计算上更高效且性能更优。我们提出了自移动点表示，其中权重参数自由移动，并使用插值方案来实现连续函数。当应用于构建卷积核时，实验结果表明在现有框架中通过直接替换获得了性能提升。由于其轻量结构，我们首次在大规模设定（如 ImageNet）中展示了连续卷积的有效性，呈现了相对于先前方法的改进。我们的代码可在 https://github.com/sangnekim/SMPConv 获取。
引用
@article{arxiv.2304.02330,
title = {SMPConv: Self-moving Point Representations for Continuous Convolution},
author = {Sanghyeon Kim and Eunbyung Park},
journal= {arXiv preprint arXiv:2304.02330},
year = {2023}
}
备注
Accepted to CVPR 2023