随机通道去相关网络及其在视觉跟踪中的应用
计算机视觉与模式识别
2018-08-21 v2
摘要
深度卷积神经网络（CNNs）因其自动提取优良特征的强大能力已主导众多计算机视觉领域。然而，许多基于深度 CNN 的计算机视觉任务受困于训练数据匮乏，而深度模型中却有数百万参数。显然，这两相违背的事实将导致许多设计欠佳的深度 CNN 出现参数冗余。因此，我们深入考察现有 CNN，发现网络参数的冗余源于卷积层内不同通道间特征的相关性。为解决此问题，我们提出随机通道去相关（SCD）模块，该模块在每次迭代中随机选取卷积层内的多对通道并计算其归一化互相关（NCC）。随后提出一种平方最大间隔损失作为 SCD 的目标，以显式抑制通道间相关性并保持多样性。所提 SCD 非常灵活，可简单应用于任何现有 CNN 模型。基于 SCD 与全卷积孪生网络，我们提出一种视觉跟踪算法以验证 SCD 的有效性。
引用
@article{arxiv.1807.01103,
title = {Stochastic Channel Decorrelation Network and Its Application to Visual Tracking},
author = {Jie Guo and Tingfa Xu and Shenwang Jiang and Ziyi Shen},
journal= {arXiv preprint arXiv:1807.01103},
year = {2018}
}
备注
8 pages, 3 figures, 4 tables