场景文本检测中的移位不变性

ECCVAug, 2022

Shift Variance in Scene Text Detection

Markus Glitzner, Jan-Hendrik Neudeck, Philipp Härtinger

TL;DR通过一个简单的合成实验，我们展示了最先进的全卷积文字检测器固有的移位差异性。我们展示了如何进行小的体系结构更改，可以带来改善的移位平稳性和检测器输出的变化较小。我们提出了一个基于深度学习已有的文字检测基准的度量，用于量化移位可变性的程度。尽管所提出的架构更改不能完全恢复移位等价性，但添加平滑滤波器可以大大改善常见的文本数据集上的移位一致性。考虑到小偏移可能具有巨大的影响，我们建议将此工作中描述的指标扩展到常用的文本检测度量中，以便能够量化文本检测器的一致性。

Abstract

Theory of convolutional neural networks suggests the property of shift equivariance, i.e., that a shifted input causes an equally shifted output. In practice, however, this is not always the case. This poses a great problem for →

convolutional neural networks shift equivariance scene text detection architectural changes smoothing filters

发现论文，激发创造

目标检测中的平移等变性

本文提出了一个基于贪婪搜索的评估指标，用于评估目标检测模型的平移等变性，发现许多现代目标检测模型对输入图像的微小平移都非常敏感，并探究了文献中的解决方案及其有效性，揭示了这种平移变异性的程度和可能因素的贡献，为开发缓解或利用这种变异性的方法奠定基础。

Aug, 2020

唤醒视觉 Transformer 中的平移等变性

本文提出了一种自适应的多相位锚定算法，该算法可无缝集成到视觉 Transformer 模型中，以确保贴片嵌入和子采样关注模块的移位等变，并利用深度卷积编码位置信息。

Jun, 2023

工业缺陷分割中卷积神经网络的位移等效性研究

在工业缺陷分割任务中，常用的度量指标是像素精度和交并比 (IoU)，然而模型的输出一致性 (或等效性) 经常被忽视。本文提出了一种全新的上 / 下采样层对抗 CNN 中传统采样层的不足，并通过自适应窗口模块和组件注意力模块来改善图像边界变化对等效性的影响，实验结果表明该方法在工业缺陷数据集上具有较高的等效性和分割性能。

Sep, 2023

使视觉 Transformer 真正具有 Shift-Equivariant 性质

提出改进的模块设计，使得 Vision Transformers 在图像分类和语义分割任务中具有真正的平移不变性，并在三个不同数据集上实现了有竞争力的性能表现。

May, 2023

真正平移不变卷积神经网络

本文提出了自适应多相采样（APS）的简单子采样方案，使卷积神经网络实现了 100% 的 “移位一致” 的分类性能，而且拥有训练前的完美 “移位一致性”，这是使卷积神经网络真正具有 “移位不变性” 的第一实践方法。

Nov, 2020

卷积神经网络中的平移不变性是什么？一项可视化研究

通过三个实验比较了百万级图像的表示方法，发现使用流行的 CNN 模型提取的特征并不具有全局不变性，并提供了一个代码库以及一个网站，可以与实验结果互动交流。

Nov, 2020

基于归一化等变性的神经网络及其在图像去噪中的应用

本文提出了一种方法，通过引入受控亚线性激活函数和逐通道排序池化层来适应现有深度神经网络，从而实现网络的归一化等变性，这些修改不会损失性能，并应用于图像去噪中。