SRM：一种用于卷积神经网络的基于风格的重新校准模块
计算机视觉与模式识别
2019-03-27 v1
摘要
随着卷积神经网络 (CNNs) 风格迁移的进展，风格在 CNNs 中的作用从更广阔的视角引起了越来越多的关注。本文中，我们旨在充分利用风格的潜力以提升 CNNs 在通用视觉任务中的性能。我们提出一种基于风格的重新校准模块 (SRM)，一种简单而有效的架构单元，它通过利用特征图的风格来自适应地重新校准中间特征图。SRM 首先通过风格池化从特征图的每个通道提取风格信息，然后通过通道独立的风格整合估计逐通道重新校准权重。通过将个体风格的相对重要性融入特征图，SRM 有效增强了 CNN 的表征能力。所提模块以可忽略的开销直接接入现有 CNN 架构。我们在通用图像识别以及风格相关任务上进行了全面实验，验证了 SRM 相对于 Squeeze-and-Excitation (SE) 等近期方法的优势。为解释 SRM 与 SE 的内在差异，我们对其表征特性进行了深入比较。
引用
@article{arxiv.1903.10829,
title = {SRM : A Style-based Recalibration Module for Convolutional Neural Networks},
author = {HyunJae Lee and Hyo-Eun Kim and Hyeonseob Nam},
journal= {arXiv preprint arXiv:1903.10829},
year = {2019}
}
备注
11 pages