没有合适的资源?快使用搜索试试~ 我知道了~
CVPR2022 - 重新审视池化:你的感受野不是最理想的.doc
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 175 浏览量
2022-07-12
16:43:01
上传
评论
收藏 459KB DOC 举报
温馨提示
试读
9页
CVPR2022 - 重新审视池化:你的感受野不是最理想的.doc
资源推荐
资源详情
资源评论
CVPR2022 | 重新审视池化:你的感受野不是最理想的
前言本文提出了一种简单而有效的动态优化池操作( Dynamically Optimized Pooling
operation),称为 DynOPool,它通过学习每一层感受野的最佳大小和形状来优化特征映射的
端到端比例因子。
深度神经网络中任何类型的调整大小模块都可以用 DynOPool 操作以最小的成本替换。此
外,DynOPool 通过引入一个限制计算成本的附加损失项来控制模型的复杂性。
欢迎关注 CV 技术指南,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、
CV 招聘信息。
论文:https://arxiv.org/abs/2205.15254
代码:未发布
背景
尽管深度神经网络在计算机视觉、自然语言处理、机器人、生物信息学等各种应用中取得
了前所未有的成功,但最优网络结构的设计仍然是一个具有挑战性的问题。而感受野的大小
和形状决定了网络如何聚集本地信息,并对模型的整体性能产生显著影响。神经网络中的许
多组成部分,例如用于卷积和池化运算的内核大小和步长,都会影响感受野的配置。然而,
它们仍然依赖于超参数,现有模型的感受野会导致形状和大小不理想。
本文通过介绍固定大小和形状的传统感受野是次优的问题,讨论了 DynOPool 如何通过
CIFAR-100 上的 VGG-16 玩具实验解决这个问题。
固定大小和形状的传统感受野存在的问题:
1.不对称分布的信息
最佳感受野形状会根据数据集中固有的空间信息不对称性而改变。而大多数情况下固有的
不对称性是不可测量的。此外,通常用于预处理的输入大小调整有时也会导致信息不对称。
在人工设计的网络中,图像的长宽比经常被调整以满足模型的输入规格。然而,这种网络中
的感受野不是用来处理操作的。
资源评论
书博教育
- 粉丝: 1
- 资源: 2837
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功