Local Binary Convolutional Neural Networks
一、介绍
这是CVPR2017的一篇文章,主要通过将local binary pattern的编码方式与卷积神经网络CNN相结合,进而提出一种可以极大减少可学习参数数量的模型。
官方下载网址 http://xujuefei.com/lbcnn.
二、主要内容
意义
该模型的意义可以总结如下:
- 对可学习参数的数量进行极大缩减,可以减少9到169倍(取决于滤波器的尺寸)可学习参数的数量
- 避免过拟合,加快收敛速度,更适用于小规模训练集
- 大幅度减少了模型尺寸以及计算消耗
通过卷积进行LBP运算
local binary pattern 可以通过卷积进行实现,以(r, p)=(1,8)的lbp运算为例。
传统lbp的计算过程:
- 对比中心点与领域像素值的大小
- 若领域像素值较大则在该位置标注为1,否则为0
- 将所有领域的标签乘以对应的权重后求和
通过卷积进行LBP运算的计算过程:
- 使用8个预定义的3*3滤波器对图像进行卷积操作,每个滤波器只有两个非0的权值,中心点的权重为-1,领域点的权重为1。
- 使用非线性函数(单位阶跃函数)对卷积后的结果进行映射,若卷积结果为正数,则将该值映射为1,否则为0
- 将得到的8个channel的值乘以对应的权重后求和,这一过程可以通过1*1的卷积实现