IBN-Net

IBN-Net通过结合Instance Normalization和Batch Normalization,提高了深度学习模型在识别分类任务上的准确性和迁移能力。它在保持对内容敏感的同时增强了对风格变化的鲁棒性,尤其适用于跨域场景迁移。
摘要由CSDN通过智能技术生成

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

IN-Show
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。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值