具有傅里叶层的真正尺度等变深度网络
机器学习
2023-11-07 v1 计算机视觉与模式识别
摘要
在计算机视觉中，模型必须能适应图像分辨率的变化以有效执行如图像分割等任务；这被称为尺度等变性。近期工作在开发尺度等变卷积神经网络方面取得进展，例如通过权值共享和核缩放。然而，这些网络在实践中并非真正尺度等变。具体而言，它们在连续域中表述下采样操作时未考虑抗混叠。为弥补此缺陷，我们直接在离散域中表述下采样并考虑抗混叠。然后我们提出一种基于傅里叶层的新颖架构，以实现真正尺度等变深度网络，即绝对零等变误差。遵循先前工作，我们在 MNIST-scale 和 STL-10 数据集上测试该模型。我们所提模型在保持零等变误差的同时取得了有竞争力的分类性能。
引用
@article{arxiv.2311.02922,
title = {Truly Scale-Equivariant Deep Nets with Fourier Layers},
author = {Md Ashiqur Rahman and Raymond A. Yeh},
journal= {arXiv preprint arXiv:2311.02922},
year = {2023}
}