Detail-Preserving Pooling in Deep Networks阅读

本文深入解析DDIP思想及其在DPP中的应用,旨在通过自适应加权池化保留图像细节,提升模型表现。相较于传统池化方法,DPP在特定场景下展现出显著优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

理解

首先,主要讲下对文章的主要理解。简而言之,这篇文章目的是保留图像细节,拒绝最大或者平均池化的简单粗暴操作,可以自适应的学习的加权型池化。
文章借鉴的思想是DDIP

综述

池化的作用:降低参数量,扩大感受野,增强不变性。
目前常用的池化:最大,平均,带步长的卷积。等等。最大池化是选择领域内最大的,平均是对领域统一的贡献。而strided conv则是简单选择一个节点作为池化后的节点。

文章内容

DDIP

俗话说,一张图可以解释一切。就是下面这张图就能说明DDIP的思想。
DDIP的示意图
O是输出图像,上面一路是经过box filter-降采样-高斯滤波之后的降采样图。经过逆双边滤波的作用,产生不同的加权结果,这样就是产生了扩大细节的作用。
总之就是加权的过程。

DDP

DDP的公式


根据对reward function的不同,存在了对称DDP和不对称DDP两种。公式见论文公式5,6。
那么对于上面公式中的I(~)是线性降采样的结果。公式为
在这里插入图片描述
在论文中,根据对F的不同,可以产生Full-dPP和lite-DPP。
Full-dpp是指F为不标准的二维滤波,增加了相应大小的参数,可以学习。
对应的lite-dpp 则是为平均权重了。

讨论

接下来的文章中,文章说明了参数的求导结果。并且说明了参数的增加相对于卷积等可以忽略,同时也证明了在特殊情况下ave-pooling 和 max-pooling可以是dpp的特例。
在实验结果中,DPP展现了可以提升0.5-1个百分点的优势。

评论
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