通过数据高效CNN学习仿射不变表示
计算机视觉与模式识别
2019-09-04 v1
摘要
本文提出将先验知识整合到卷积神经网络(CNNs)的设计与训练中，以学习对仿射变换(即平移、尺度、旋转)不变的物体表示。据此，我们提出了一种新颖的多尺度maxout CNN，并使用一种新颖的旋转不变正则化器对其进行端到端训练。该正则化器旨在迫使每个二维空间滤波器中的权重逼近圆形模式。通过这种方式，我们利用卷积、多尺度maxout和圆形滤波器在训练中处理仿射变换。经验上我们证明，此类知识能显著提升所学模型的数据效率以及泛化性与鲁棒性。例如，在交通标志数据集上每类仅用10张图像训练，我们的方法可达到84.15%的准确率，在测试精度上优于最先进方法29.80%。
引用
@article{arxiv.1909.00114,
title = {Towards Learning Affine-Invariant Representations via Data-Efficient CNNs},
author = {Xenju Xu and Guanghui Wang and Alan Sullivan and Ziming Zhang},
journal= {arXiv preprint arXiv:1909.00114},
year = {2019}
}