i-REVNET: DEEP INVERTIBLE NETWORKS
原文链接:i-REVNET: DEEP INVERTIBLE NETWORKS
论文来自荷兰 阿姆斯特丹大学
基于已有的工作,RevNet,提出了可逆RevNet,能够达到造IMAGENET上相同的分类准确率。
目录
摘要
众所周知,卷积神经网络(CNN)取得了很大的进步。但是由于CNN是通过逐步丢弃掉一些不太重要的信息(编者按:比如pooling layer)来提取某些特征从而完成某一特定的task,所以,在通常情况下,我们无法从CNN提取的特征中恢复原图像。在本文中,作者向我们展示了一个一对一的无信息损失的特征提取方法。homeomorphic 层被创建,用来组成一个可逆的神经网络( i-RevNet),从而可以是实现输出到输入的转化, 在此过程中无任何信息的丢失。
引言
- 亮点
i-RevNets 是一个可逆的网络。
i-RevNets 保持了所有的信息,从输入层到输出层。
i-RevNets 是在RevNet上进行改进,使用可逆的层代替了原本不可逆的层。
i-RevNets 的performance达到了已有的resnet当前水平。
i-RevNets 降低了由于信息缺失导致的网络的变异性。
Emma
CUHK
2018.02.25