Lacunarity Pooling Layers for Plant Image Classification using Texture Analysis

简介

池化层（例如最大值和平均值）可能会忽略像素强度和/或特征值的空间排列中所编码的重要信息。我们提出了一种新颖的间隙池化层，旨在通过评估局部窗口内的变异性来捕捉特征图的空间异质性。该层在多个尺度上运作，使网络能够自适应地学习分层特征。间隙池化层可以无缝地集成到任何人工神经网络架构中。实验结果表明，该层在捕捉复杂的空间模式方面非常有效，从而提高了特征提取能力。该方法在各个领域，特别是农业图像分析任务中具有潜力。本研究通过引入一种丰富空间特征表示的新型池化层，为人工神经网络架构的不断发展做出了贡献。我们的代码已公开发布。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

提出一种新的池化层，旨在捕捉特征图中的空间异质性，以改善特征提取能力。
关键思路

新型的lacunarity池化层能够在本地窗口内评估变异性，从而捕捉空间模式。
其它亮点

实验结果表明，这种方法能够有效地捕捉复杂的空间模式，提高特征提取能力。代码公开可用。
相关研究

近期相关研究包括：'A Survey of Pooling Layers in Convolutional Neural Networks'，'Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition'等。