平移不敏感 CNN

我们解决最先进的卷积神经网络（CNN）分类器对微小平移不具备不变性的问题。该问题可通过去除下采样操作（如步长和最大池化）来解决，但代价是训练和测试效率严重下降。我们提出一种高斯-埃尔米特基的新颖用法，在 CNN 框架内高效近似任意滤波器以获得平移不变性。这表明其对微小平移具有不变性，并保持训练效率。进一步，为提升内存使用效率和计算速度，我们展示在此方法下仍可进行下采样，并保留一种较弱的不变性形式，我们称之为\emph{平移不敏感}，其带来对平移的稳定性。我们从解析和实验上证明了这些论断。我们的解析方法进一步提供了一个框架，用于从平移不敏感角度理解任意架构，并为设计提供指导原则。