作者:Jeya Maria Jose Valanarasu/Vishal M. Patel
来源:ACCV2020(oral)
题目:Overcomplete Deep Subspace Clustering Networks
注:以下文章包括内容和笔记仅作者个人理解,如有错误或出入请指正。
转载请注明出处
一.个人评价
为原有的子空间聚类的Encoder-decoder,增加了一个新模块,很容易理解,这里稍作记录。
二.总览
针对的issue:Encoder-Decoder这一个方法用于子空间聚类。
存在的不足:undercomplete branch的特征表示不够鲁棒而且很依赖于训练。
解决的手段:增加一个overcomplete branch的特征表示。
优点:更鲁棒的特征。
三.方法
这里解释一下overcomplete branch的结构,三层conv2d+upsampling的组合。
作者这里提到了一个感受野与语义特征的概念,
优点:卷积网络越深层的语义特征信息是越高级的。
随之而来的:但是特征的分辨率是逐渐变小的,在这里由于感受野的大小正相关于卷积核大小,而卷积核大小基本不变,所以导致卷积网络越深层的感受野越大。
影响:因此往往丢失了一些浅层的语义信息,例如边缘,纹理等。
解决办法:所以这里作者增加了一个卷积+上采样的模块弥补这方面信息的丢失,使得特征更加鲁棒。
可视化:
四.结果
OK, 完结撒花,欢迎大家去阅读原文。