【论文标题】Delving Deeper into Anti-aliasing in ConvNets 【卷积改进】深入探讨神经网络中的反混叠问题 【作者团队】Xueyan Zou, Fanyi Xiao, Zhiding Yu, Yong Jae Lee 【发表时间】2020/9/14 【论文链接】https://arxiv.org/abs/2008.09604 【论文代码】https://maureenzou.github.io/ddac/ 【推荐理由】2020-BMVC最佳论文，即插即用，涨点神器，多视觉任务有效 本文获得BMVC-2020国际会议的最佳论文奖（Best Paper Award），由来自UC Davis和NVIDIA合作完成。研究人员指出，混叠是指高频信号在采样后退化为完全不同的部分现象，而在深度学习的大背景下，它成为一个重要的问题，因为深度架构广泛采用降采样层来减少参数和计算量。标准解决方案是在下采样之前应用低通滤波器（例如，高斯模糊）。但是，在整个内容上应用相同的过滤器可能不是最佳选择，因为特征的频率可能会在空间位置和特征通道之间发生变化。为了解决这个问题，本文提出了一个基于内容感知的自适应低通卷积滤波层，该层针对输入特征图的每个空间位置和通道组预测单独的卷积核权重。我们进一步探讨了所提出方法的在多个视觉任务上展现出的有效性和泛化性能，包括ImageNet分类，COCO实例分割和Cityscapes语义分割。定性和定量结果表明，我们的方法有效地适应了不同的特征频率，从而避免了混叠，同时保留了有用的信息以供识别。 用于反混叠的自适应卷积滤波效果。（a）输入图片，（b）直接四倍下采样，（c）应用经过调整以匹配噪声频率的单个高斯滤波器后的下采样结果，（d）应用多个空间自适应高斯滤波后的下采样结果（具有很强的背景模糊和边缘弱化能力）

内容中包含的图片若涉及版权问题，请及时与我们联系删除