SSIMLayer：通过非线性结构相似性实现鲁棒深度表示学习
计算机视觉与模式识别
2018-07-31 v2
摘要
更深的卷积神经网络提供了更大的容量来逼近复杂映射函数。然而，增加网络深度给训练带来困难并增大了模型复杂度。本文向深度卷积神经网络架构提出了一种容量相当高的新型非线性计算层。该层执行一组全面的卷积操作，通过聚焦于学习其输入中的结构信息来模拟人类视觉系统（HVS）的整体功能。其计算核心是在允许核学习匹配结构信息的设定下评估结构相似性度量（SSIM）的各分量。所提出的 SSIMLayer 本质上是非线性的，因此不需要后续的非线性变换。在 CIFAR-10 基准上的实验表明，SSIMLayer 比传统卷积层具有更好的收敛性，绕开了非线性变换的需要，并对噪声扰动与对抗攻击表现出更强的鲁棒性。
引用
@article{arxiv.1806.09152,
title = {SSIMLayer: Towards Robust Deep Representation Learning via Nonlinear Structural Similarity},
author = {Ahmed Abobakr and Mohammed Hossny and Saeid Nahavandi},
journal= {arXiv preprint arXiv:1806.09152},
year = {2018}
}
备注
11 pages, 10 figures