CVPRJun, 2022

RF-Next：卷积神经网络高效感受野搜索

PDF
TL;DR本研究提出了一种全局到本地的搜索方案，探索更好的感受野组合以提高任务性能，通过将感受野搜索插入不同的模型中，如对象检测、实例分割等，提高了模型性能，源代码公开可用。
receptive fieldsglobal-to-local searchmodelstask performancesource code
发现论文，激发创造
  • 全局到局部：视频动作分割的高效结构搜索

    探讨如何通过全局到局部的搜索方案寻找更好的时域接收场结合模式以替代手工设计模式，并在现有的动作分割方法中实现最先进的性能。

    Jan, 2021

  • 卷积神经网络的感受野细化可靠地提高了预测性能

    本研究提出了一种分析卷积神经网络接受野扩展的新方法，可以在训练之前预测无效图层，并优化给定架构的参数效率，证明该方法不仅可自动化进行，而且在包括 VGGNets、MobileNetV1、MobileNetV3、NASNet A（mobile）、MnasNet、EfficientNet 和 ConvNeXt 等多个常见架构中可以削减参数，在 ImageNet1K 的数据集上，所有上述模型的表现效果都有了新的最好结果。

    Nov, 2022

  • 深度卷积神经网络中有效感受野的理解

    研究了深度卷积网络单元感受野的特性，提出了有效感受野的概念，并分析了它在几种架构设计中的作用，以及非线性激活、dropout、下采样和跳跃连接对其产生的影响。结果表明，这些因素对有效感受野的大小具有影响，并提出了一些解决途径。

    Jan, 2017

  • 视频 BagNet：短时空感受野提高长期行为识别的鲁棒性

    通过缩小行动识别模型的时间感受野，作者发现短时间感受野可以提高模型对子行动顺序变化的鲁棒性。

    Aug, 2023

  • RFAConv：创新的空间注意力和标准卷积操作

    提出了一种新的注意力机制 —— 接收场注意，该机制不仅专注于感受野的空间特征，而且为大尺寸卷积核提供了有效的注意力权重，实现了用接收场空间特征替换空间特征的新方法，提高了网络的性能。

    Apr, 2023

  • RF-Net：基于感受野的端到端图像匹配网络

    本文提出一种新的端到端可训练的匹配网络 RF-Net，基于感受野计算图像之间的稀疏对应关系。通过引入感受野来构建特征图，增强关键点检测效果，同时加入邻居掩码来提高描述符训练的稳定性。我们在公开数据集 HPatches 上训练并与其他方法进行了对比，实验结果表明 RF-Net 在多个基准数据集上优于现有的最先进方法。

    Jun, 2019

  • 大感受野网络用于高比例图像超分辨率

    提出了 Large Receptive Field Networks，它可以扩展超分辨率网络的感受野，同时不增加深度或参数计数，通过实验证明该方法在提高准确率（PSNR / SSIM），减少参数计数和提高速度方面具有有效性。

    Apr, 2018

  • 使用深度卷积神经网络进行音频分类和标记的接收域正则化技术

    本文研究了不同音频任务中已知卷积神经网络架构的变体性能。结果表明，调整卷积神经网络的感受野对其广义性至关重要。通过跨越多个音频分类和标记任务进行系统测试，我们提出了几种系统方法来控制 CNN 的 RF，并表明使用我们提出的方法对 CNN 的 RF 进行正则化可以显着提高模型的广义性，在多项任务中取得了最优结果。

    May, 2021

  • 深度卷积神经网络中感受野作为正则化器的应用 --- 声学场景分类

    本文研究了卷积神经网络在音频处理任务中的表现。通过对 Receptive Field 的分析，发现 RF 对模型的泛化能力很重要。通过系统地调整 CNNs 中的 RF，可以让深层模型表现得更好。

    Jul, 2019

  • 神经形态计算的协变时空感受野

    生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统，同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型，通过空间上的仿射高斯核和时间上的漏积分器和漏积分发放模型。我们的理论在空间和时间尺度变换上可证明是协变的，并与哺乳动物大脑的视觉处理有很多相似之处。我们将这些时空感受野作为事件驱动视觉任务中的先验知识，并展示这能够提高脉冲网络的训练效果，在事件驱动视觉中通常被认为是有问题的。本研究结合了尺度空间理论和计算神经科学的努力，寻找在神经形态系统中处理时空信号的理论基础，这对信号处理和事件驱动视觉具有直接的相关性，并且可以扩展到其他空间和时间处理任务，如记忆和控制。

    May, 2024