ICCVAug, 2019

LIP: 局部重要性池化

PDF
TL;DR本文提出了一种基于本地重要性建模的简单，通用且有效的池化层 LIP，它能够学习自适应重要性权重，从而提高下采样过程中的判别特征，在 ImageNet 分类和 MS COCO 数据集的目标检测中都取得了很好的性能。
convolutional neural networkspooling layerslocal importance-based poolingdiscriminative featuresobject detection
发现论文，激发创造
  • 深度网络中的细节保护池化

    本文介绍了一种基于最近图像降采样研究的深度学习方法，叫做细节保留池化 (DPP)，它可以放大空间变化并保留重要的结构细节，其参数可以与网络的其余部分一起学习，在几个数据集和网络上的实验证明 DPP 方法在性能上优于常规池化方法。

    Apr, 2018

  • LiftPool: 双向卷积神经网络池化

    本文提出了 LiftPool 池化方法，实现了双向池化层，包括 LiftDownPool 与 LiftUpPool。LiftDownPool 将特征图分解成多个不同频率信息的下采样子带，通过 LiftUpPool 进行精细化上采样并保留显著细节信息，本研究在图像分类和语义分割等方面达到了更好的性能，同时具有更好的健壮性。

    Apr, 2021

  • 基于深度特征的判别定位学习

    本文研究了全局平均池化技术在卷积神经网络中应用的原理，发现其可以使网络更好地实现局部特征定位，从而建立了一种通用的可局部化的深层表示方法，并通过实验证明其在物体定位等各种任务上的有效性。

    Dec, 2015

  • Viraliency：局部病毒性池化

    本文介绍了一种基于深度学习的图像识别方法，利用所提出的 “纵向最大平均池化层”（LENA）来预测和定位网络传播的图像或视频，并在两个公共数据库上的实验中取得了优越的表现。

    Mar, 2017

  • 使用 SoftPool 优化激活下采样

    提出了一种快速有效的方法，在卷积神经网络中通过指数加权降采样操作以更好地保留信息，从而提高分类准确率和动作识别性能。

    Jan, 2021

  • 使卷积网络再次具有平移不变性

    本篇研究提出，在现代卷积网络中添加抗锯齿模块能较好地提高模型的精度，使其具有更好的普适性和鲁棒性。

    Apr, 2019

  • 使用平衡的超级神经网络学习 CNN 池化架构

    通过分析 ResNet20 网络在 CIFAR10 实验数据集中使用不同 pooling 配置的训练性能，本文发现预定义下采样配置并非最优选择，可以通过神经网络架构搜索来优化。同时，本文建议采用平衡混合的 SuperNets，可以使权重模型自动关联池化配置，从而降低池化配置之间的权重共享和相互影响。实验结果表明，本文提出的方法在 CIFAR10、CIFAR100 和 Food101 数据集上都优于其他方法，并改善了默认池化配置的性能。

    Jun, 2023

  • 利用纹理分析的孔隙性池化层进行植物图像分类

    通过引入新型的空洞汇聚层来丰富空间特征的表示，该方法在多个尺度上操作，能够自适应地学习分层特征，实验证明其在捕捉复杂空间模式和改进特征提取能力方面的有效性。

    Apr, 2024

  • RNNPool：适用于内存受限推断的高效非线性池化

    介绍了一种新型的池化算子 RNNpool—— 基于循环神经网络，可在大的图像区域上高效地聚合特征，快速下采样激活映射。在标准视觉任务中应用于 MobileNets、DenseNet 等多种体系结构，可显著降低推理的计算复杂度和峰值内存使用量，保持可比的准确性。使用 RNNpool 与标准 S3FD 体系结构构建了一种面部检测方法，在 256 KB RAM 以下的微型控制器上实现了最先进的 MAP。

    Feb, 2020

  • S3Pool: 随机空间采样池化

    本研究提出了一种具有随机空间采样的池化策略（S3Pool），其在多个流行的图像分类基准测试中表现出显著的改进。

    Nov, 2016