用卷积神经网络求解同异判别任务
计算机视觉与模式识别
2021-01-25 v1
摘要
深度学习在计算机视觉文献中展现了解决多种现实世界问题的强大能力。然而，它们仍受困于人类认为容易解决的简单推理任务。在本工作中，我们在被称为同异问题（same-different problems）的一组困难任务上探查当前最先进的卷积神经网络。所有这些问题都需要同一个先决条件才能正确求解：理解同一图像内两个随机形状是否相同。通过本工作开展的实验，我们证明残差连接，更一般地跳跃连接，对所述问题的学习似乎仅有边际影响。具体而言，我们使用 DenseNet 进行实验，并考察在已测试架构 ResNet-18 与 CorNet-S 中残差连接和循环连接的贡献。我们的实验显示，较旧的前馈网络 AlexNet 和 VGG 几乎无法学习所提问题，除某些特定场景外。我们表明，近期提出的架构即便在其架构重要部分被移除时也能收敛。我们最后进行了一些零样本泛化测试，并发现在此类场景中残差与循环连接对整体测试精度可有更强影响。在来自 SVRT 数据集的四个困难问题上，我们相较先前方法达到了最先进结果，并在其中三个问题上取得了超越人类的表现。
引用
@article{arxiv.2101.09129,
title = {Solving the Same-Different Task with Convolutional Neural Networks},
author = {Nicola Messina and Giuseppe Amato and Fabio Carrara and Claudio Gennaro and Fabrizio Falchi},
journal= {arXiv preprint arXiv:2101.09129},
year = {2021}
}
备注
Preprint of the paper published in Patter Recognition Letters (Elsevier)