用于紧凑高效深度神经网络的空间自适应滤波单元
计算机视觉与模式识别
2020-02-07 v2
摘要
卷积神经网络在众多计算机视觉任务中表现出色。其最关键的架构要素之一是有效的感受野大小，必须手动设置以适应特定任务。标准解决方案涉及大卷积核、下/上采样和空洞卷积。这些方案需要测试多种空洞率和下/上采样因子，并导致非紧凑的表示和过多的参数数量。我们通过提出一种由位移聚合单元（DAU）组成的新卷积滤波器来解决此问题。DAU学习空间位移，并使单个卷积滤波器的感受野大小适应给定问题，从而消除了对手工修改的需求。DAU可无缝替代现有最先进架构中的卷积滤波器，我们在AlexNet、ResNet50、ResNet101、DeepLab和SRN-DeblurNet上进行了演示。该设计的优势在多种计算机视觉任务和数据集上得到证明，例如图像分类（ILSVRC 2012）、语义分割（PASCAL VOC 2011、Cityscape）和盲图像去模糊（GOPRO）。结果表明，DAU高效地分配参数，在相似或更好的性能下实现了参数最多减少四倍的更紧凑网络。
引用
@article{arxiv.1902.07474,
title = {Spatially-Adaptive Filter Units for Compact and Efficient Deep Neural Networks},
author = {Domen Tabernik and Matej Kristan and Aleš Leonardis},
journal= {arXiv preprint arXiv:1902.07474},
year = {2020}
}
备注
Accepted for publication in International Journal of Computer Vision, Jan 02 2020