IBN-Net

重点

• BN提高特征对图像内容的敏感度，降低对风格类变化的鲁棒性
• IN提高对风格类变化的鲁棒性
• 浅层特征和风格类相关，深层和高层次特征相关（人脸，姿态等内容类特征）

参考

Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net

简介

Instance Normalization在样式迁移领域取得比Batch Normailzation更好的效果，但是在识别分类领域中没有带来提升。本文研究了IN和BN的区别，并成功把二者应用到同一个框架中，提高识别分类的准确度，而且结果分类器还具备了更强的迁移能力，对色调变化，明暗变化，甚至虚拟和显示都有较高鲁棒性，state-of-art的一个框架

上图第一行，左侧是真实交通场景，右侧是游戏GTA场景，利用IN结合BN，可以让分类器在二者之间迁移

思路

首先考虑BN和IN的定义， BN是增加样本间的差异，IN是提高对亮度，色调变化的鲁棒性。