abstract
通过一个空间传播网络来学习affinity matrix来用于vision tasks。实验证明,构造一个线性传播模型,空间上变换的affinity matrix可以用来建模图像密集和全局相似性。本文创建了一个three-way 连接的线性传播模型。该模型构造了一个所有元素均来自于DCNN的稀疏传播矩阵,同时创造了一个能用来建模任意特定任务的密集近邻矩阵。本文用data-driven manner来获取similarities,结果可以用在所有相似的图像任务上,包括但不限于图像分割。
Introduction
邻接矩阵是用来描述两个点有多近,多相似的。在高维空间任务也有作用,但是一直没有视作为一个可学习的问题。在这个paper里我们证明学习affinity matrix等价于学习一系列row/column wise空间上线性变换的矩阵。在这里,我们发现用three-way connection比用fully connection更有效地学习dense affinity matrix。
用data-driven manner学习affinity matrix的优势是多方面的(multifold)。1. 在低维空间的相似矩阵的assumption并不适用于mid-to-high-level。2. 可以学习高维的特征的affinity。
ralated work
略
proposed approach
SPN 能够转换一个2D map成一个新的拥有希望性质的map。这个过程等价于standard anisotropic diffusion process。图像转换相当于是经过laplacian matrix转化的。(从未见过如此数学化的dcnn论文)
数学证明 linear propagation as spatial diffusion
假设 X ,
I 是单位矩阵,初始化条件