具有自适应多相上采样的真正平移等变卷积神经网络
计算机视觉与模式识别
2021-12-08 v3 信号处理
摘要
由于下采样层的存在，卷积神经网络缺乏平移等变性。在图像分类中，近期提出的自适应多相下采样（APS-D）使 CNN 具有完美平移不变性。然而，在用于图像重建任务的网络中，它自身无法恢复平移等变性。我们通过提出自适应多相上采样（APS-U）——一种传统上采样的非线性扩展——来解决该问题，其使具有对称编码器-解码器架构（例如 U-Net）的 CNN 展现出完美平移等变性。通过 MRI 与 CT 重建实验，我们表明包含 APS-D/U 层的网络在图像重建质量不受损的情况下展现出最优的等变性能。此外，与数据增强和抗锯齿等先前方法不同，APS-D/U 获得的等变增益还扩展到训练分布之外的图像。
引用
@article{arxiv.2105.04040,
title = {Truly shift-equivariant convolutional neural networks with adaptive polyphase upsampling},
author = {Anadi Chaman and Ivan Dokmanić},
journal= {arXiv preprint arXiv:2105.04040},
year = {2021}
}