本文提出了一种名为PSConv的新型卷积单元，旨在增强卷积神经网络（CNN）的尺度鲁棒性。PSConv通过在卷积核内周期性循环不同的扩张因子来融合多尺度特征，实现“即插即用”的功能，无需额外参数。实验结果显示，PSConv在ImageNet和MS-COCO数据集上表现出优越的性能，同时提供了高效的实现策略以保持推理速度。
编辑：Happy
首发：AIWalker公众号
日期：2020-07-16
【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
最低0.47元/天 解锁文章
330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
