编辑:Happy
首发:AIWalker公众号
日期:2020-07-16
![4e0e78a22e2e4b1de41ae5ee870faceb.png](https://i-blog.csdnimg.cn/blog_migrate/e7f4698965450d44fcbc128be46f56a5.jpeg)
【Happy导语】该文是香港科技李铎、陈启峰团队提出一种多尺度卷积。它在更细粒度角度进行多尺度特征融合。看到该文有一种“相见恨晚”的感觉,因为笔者非常早之前就进行了类似工作的探索,可惜“人单力薄”仅仅进行“浅尝辄止”的探索。笔者认为该文最重要的一点是对PSConv的优化加速,将推理速度优化了额外推理耗时完全可以忽略的地步。
Paper: https://arxiv.org/abs/2007.06191
Code: https://github.com/d-li14/PSConv
Abstract
尽管CNN具有极强的建模能力,但其存在尺度敏感特性。为增强CNN的尺度鲁棒性,多尺度特征融合受到了极大关注,这些多尺度特征融合往往采用多个不同尺寸的卷积核进行融合,而忽视了核空间的更细粒度的利用。
作者提出了一种新颖的多尺度卷积,称之为Poly-Scale Convolution (PSConv),它混合了不同的扩张因子并将其置于卷积核的不同位置。特别的,扩展因子集合可以沿输入和输出通道轴周期性循环,集成不同尺度的特征。PSConv是一种“即插即用”型模块,它可以对常规卷积进行直接替换,在得到更好特征表达学习的同时不引入额外参数与计