上采样和下采样_消除Aliasing！加州大学&英伟达提出深度学习下采样新思路：自适应低通滤波器层...

最新推荐文章于 2024-03-03 10:30:00 发布

weixin_39776787

最新推荐文章于 2024-03-03 10:30:00 发布

阅读量368

点赞数

文章标签：上采样和下采样

本文链接：https://blog.csdn.net/weixin_39776787/article/details/111337982

版权

论文提出了一种内容自适应低通滤波层，用于解决深度学习中下采样导致的锯齿（Aliasing）问题。该方法根据输入特征预测位置和通道特定的滤波权重，以更好地保留有用信息并减少Aliasing。通过在ImageNet分类、COCO实例分割和Cityscapes语义分割等任务上的实验，证明了该方法的有效性和泛化能力。

摘要由CSDN通过智能技术生成

编辑：Happy
首发： 极市平台
日期：2020-08-26

paper: https://arxiv.org/abs/2008.09604

code: https://github.com/MaureenZOU/Adaptive-anti-Aliasing

【导语】该文是California大学&NVIDIA提出了一种消除Aliasing的方案。该文在AntialiasedCNN的基础上进行了更一步的改进，将固定模糊核改进为内容自适应低通滤波操作。作者还通过不同的任务验证了所提方法的有效性与泛化性能。

Abstract

Aliasing(锯齿)是采样过程中常见现象之一，它将高频信息退化成了更复杂的表现形式。在深度学习领域中，它长见诸于下采样层中(比如Maxpooling、StrideConv)。一种标准方案是在下采样之前进行低通滤波(比如高斯模糊)，然而这种处理方案是次优方案：因为不同位置、不同通道的频率信息是不相同的。

为解决上述问题，作者提出了一种内容自适应低通滤波层，它针对输入特征预测不同位置、不同通道的滤波权值。作者在多个任务(比如ImageNet分类、COCO实例分割、Cityscapes语义分割等)上验证了所提方案的有效性与泛化性能。定量与定性结果表明：所提方法可以具有特征频率自适应特性，在避免锯齿的同时保持有用信息。