论文笔记：i-REVNET: DEEP INVERTIBLE NETWORKS [ICLR2018]

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