用于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
2018-03-16 v2
摘要
经典深度卷积网络通过逐步降低分辨率或应用手工设计的膨胀卷积来增大感受野尺寸，以防止参数数量增加。本文提出一种无需手工设计的新型位移聚合单元（DAU）。与将单元（像素）置于固定规则网格上的经典滤波器不同，DAU 的位移是可学习的，这使得滤波器能够针对给定问题在空间上自适应其感受野。我们在分类与语义分割任务上广泛展示了 DAU 的优势。与具有规则滤波器的卷积网络相比，具有 DAU 的卷积网络以更快的收敛速度和最多 3 倍的参数削减实现了可比性能。此外，DAU 使我们能从新颖视角研究深度网络。我们研究了 DAU 滤波器的空间分布，并分析了滤波器中用于空间覆盖所分配的参数量。
引用
@article{arxiv.1711.11473,
title = {Spatially-Adaptive Filter Units for Deep Neural Networks},
author = {Domen Tabernik and Matej Kristan and Aleš Leonardis},
journal= {arXiv preprint arXiv:1711.11473},
year = {2018}
}
备注
Accepted to Computer Vision and Pattern Recognition 2018