卷积层下的宝藏：用于图像分类的跨卷积层池化
计算机视觉与模式识别
2014-12-01 v1
摘要
许多近期研究表明，在大型数据集上预训练的深卷积神经网络（DCNN）可作为通用的图像描述符，从而在许多视觉分类任务中取得惊人性能。这些研究（如果不是全部的话）大多采用 DCNN 全连接层的激活值作为图像或区域表示，并认为卷积层激活值的判别力较弱。然而，本文主张如果得当使用，卷积层激活值可以转化为一种强大的图像表示，其拥有优于全连接层激活值的诸多优势。这是通过采用本文提出的一种称为“跨卷积层池化”的新技术实现的。具体而言，该方法提取一个卷积层的特征图子数组作为局部特征，并在后续卷积层特征图的指导下对提取的特征进行池化。与在局部特征设置中应用 DCNN 的现有方法相比，所提出的方法显著更快，因为它所需的 DCNN 前向计算次数少得多。此外，它避免了将全连接层激活值用于描述局部区域时通常遇到的域不匹配问题。通过将我们的方法应用于四个流行的视觉分类任务，结果表明，所提出的方法能够实现与现有基于全连接层的图像表示相当、甚至在某些情况下显著更好的性能，同时计算成本低得多。
引用
@article{arxiv.1411.7466,
title = {The Treasure beneath Convolutional Layers: Cross-convolutional-layer Pooling for Image Classification},
author = {Lingqiao Liu and Chunhua Shen and Anton van den Hengel},
journal= {arXiv preprint arXiv:1411.7466},
year = {2014}
}