CVPRApr, 2016
TI-POOLING：卷积神经网络中用于特征学习的变换不变池化
TI-POOLING: transformation-invariant pooling for feature learning in Convolutional Neural Networks
Dmitry Laptev, Nikolay Savinov, Joachim M. Buhmann, Marc Pollefeys
TL;DR本文介绍了一种深度神经网络拓扑结构，该结构包含一种容易实现的 TI-POOLING 变换不变池化算子，能够有效地处理数据中的先验干扰因素，如旋转或比例变化，通过采用并行的 siamese 结构提取转换不变的特征，再在全连接层之前应用 TI-POOLING 算子，能够更高效地利用训练数据，相比于普通卷积神经网络进行数据集扩充的方法以及其他基线模型，能够在流行的基准数据集上具有更好的性能。