《Active Convolution- Learning the Shape of Convolution for Image Classification》论文阅读

  • paper

动机

  • 以前的网络都是关注cnn的网络结构,比如ResNet,Inception等
  • 这里关注卷积这个操作本身,

贡献

  • 提出了Active Convolution Unit,

方法

  • ACU概念

在这里插入图片描述

  • ACU可以为具有可学习位置参数的卷积定义更多不同形式的感受域;
  • 与传统卷积相比,ACU可以生成分数扩张卷积并用于直接计算内插卷积的结果。将离散的过程,连续化;

在这里插入图片描述

  • 卷积公式:

在这里插入图片描述

在这里插入图片描述

  • 前馈过程
    在这里插入图片描述

  • 反馈过程

在这里插入图片描述

优点

  1. ACU是卷积的推广; 它不仅可以定义所有常规卷积,还可以定义具有分数像素坐标的卷积。我们可以随意定义卷积的形状,这极大给CNN机构自由。
  2. 卷积的形状是学习的在训练的时候,不需要手动调节;
  3. ACU可以学习更好的卷积单元,我们可以获得提升仅仅通过改变方便的卷积。

猜你喜欢

转载自blog.csdn.net/u010067397/article/details/83747540