研究已训练卷积神经网络的不变性
计算机视觉与模式识别
2018-03-19 v1
摘要
卷积神经网络（CNN）定义了一类异常强大的图像分类模型，但关于如何学习对特定变换的不变性的理论背景和理解仍然有限。在利用不同幅度仿射和非仿射变换修改的图像进行的大规模筛选中，我们分析了 AlexNet 和 ResNet 这两种 CNN 架构的行为。如果不同变换的幅度不超过依赖于类别和变换的阈值，两种架构都表现出不变的行为。在这项工作中，我们进一步引入了一个新的可学习模块，即不变变换网络（Invariant Transformer Net），它使我们能够学习一组仿射变换的可微参数。这使我们能够提取 CNN 对其具有不变性且其类别预测具有鲁棒性的变换空间。
引用
@article{arxiv.1803.05963,
title = {Studying Invariances of Trained Convolutional Neural Networks},
author = {Charlotte Bunne and Lukas Rahmann and Thomas Wolf},
journal= {arXiv preprint arXiv:1803.05963},
year = {2018}
}