1427414275我们证明了CNN可以通过利用图像边界效应对绝对空间这些影响的发生是因为图像具有有限的支持，并且靠近边界的卷积需要处理图像支持之外的不存在的值[47，94]。边界效应允许CNN学习滤波器，其输出被放置在图像外部，条件是它们在图像中的绝对位置。这通过仅保持特定绝对位置的滤波器输出来编码位置例如，它可以学习只针对图像顶部触发的过滤器，而底部响应被放置在图像边界之外。边界效应取决于卷积核的大小，并且对于单个3x3卷积来说很小。然而，CNN堆叠卷积层，产生的感受野通常是输入图像大小的几倍[4]。如此巨大的内核的边界效应很大，正如我们将展示的那样，允许CNN在整个图像中利用边界效应，甚至远离图像边界。我们有以下贡献。我们展示了离散卷积中的边界效应如何允许特定于位置的滤波器。我们演示了当前各种CNN架构中的卷积层如何能够并且将利用绝对空间位置，甚至远离图像边界。我们研究了简单的解决方案，该解决方案消除了对空间位置进行编码的可能性，这增加了视觉归纳偏差，这对较小的数据集是有益的。我们在多个应用领域的多个CNN架构上展示了这些优势，包括图像分类，补丁匹配和视频分类。2. 相关工作和相关性完全连接和完全卷积网络。 最初的CNN变体具有卷积层，然后是完全连接的层。这些完全连接的层可以学习特征图中每个位置的权重，从而可以利用绝对位置。包括完全连接层的开创性LeNet的变体在实验上超过了专门的卷积设置[59]。2012年ImageNet的突破是由AlexNet [54]所预示的，它遵循了LeNet的设计，尽管规模更大，有5个卷积层和2个全连接层。基于AlexNet [54]，VGG [89]网络家族变体涉及改变卷积层的深度，然后是3个完全连接的层。然而，完全连接的层占据了可学习参数的很大一部分，使得这样的网络很大，很难训练。最近的工作没有使用完全连接的层，而是质疑它们的价值。网络中的网络[61]是一个完全卷积的网络，它只是用最后一个卷积层这样的全局平均或全局最大运算符对位置是不变的，并且通过构建，使得整个网络理论上对绝对位置不敏感在等变卷积层之上几个现代网络现在使用全球平均池。流行和成功的例子包括全卷积网络[93]，残差网络[35]，Inception家族[95]，DenseNet [43]，ResNext网络[105]等。在本文中，与流行的观点相反，我们表明完全卷积网络将利用绝对位置。裁剪图像区域。 编码绝对值 地点对作物生长有影响。CNN中区域裁剪的示例包括：对象检测中的边界框[27，34，79];处理高分辨率图像在补丁[42，86];局部图像区域匹配[32，66，108，107];本地CNN补丁池化编码器[3，6，8]。区域裁剪可以在将补丁馈送到CNN之前显式完成，如R-CNN [27]，高分辨率图像处理[42]和聚合方法[80，87]中所做的那样裁剪区域的另一种方法是在将完整图像馈送到CNN之后隐式地在特征图上进行，如Faster R-CNN [79]，BagNet [8]和CNN池化方法，如sum [6]，BoW [76]，VLAD [3，28]，Fisher vector [16]。在我们的论文中，我们证明了CNN可以对绝对位置进行编码。这意味着与在CNN之前显式地裁剪区域相比，在CNN之后裁剪区域可以包括绝对位置信息，这会影响所有隐式区域裁剪方法。对图像变换的鲁棒性。图像的语义内容应该不随相机位置的变化而变化。这种几何变换的鲁棒性可以通过使用数据增强将它们添加到训练集来学习[18，24，39，41，50]。几何自适应训练方法[22，23，49]不是使用随机变换进行增强，而是智能地将最敏感的几何变换添加到训练数据中通过数据扩充或反向序列训练将数据添加到训练集是一种蛮力解决方案，随着数据集的增长而增加额外的计算。代替添加训练数据的变换版本，有专门设计用于学习等变或不变表示中的几何变换的方法[7，53，60]，其中示例包括旋转变换。[19，69，102，103，110]，规模[68，92，99，104，106]和其他转换[17，26，38，57，90]。密切相关的是观察到，通过CNN层中的后续池化和子采样，平移等方差丢失[5，109]。在我们的论文中，我们还研究了平移等方差的损失，但没有关注池化，而是表明卷积层可以利用图像边界效应来编码绝对位置，这也是由Islam等人独立发现的。[45 ]第45段。边界效应。边界效应会导致随机抽样数据中的统计偏差[30，31]。对于图像处理，这是教科书材料[47，94]，其中边界处理在图像恢复和反卷积中有应用。14276142771427814279142801428114282Transactionsonaudio ， speech ， andlanguageprocessing，22（10）：1533-1545，2014. 1[2]Farzin Aghdasi和Rabab K Ward。图像复原中边界伪影的 减 少 IEEE Transactions on Image Processing ， 5（4）：611-618，1996. 3[3]Relja Arandjelovic，Petr Gronat，Akihiko Torii，TomasPa-jdla，and Josef Sivic.Netvlad：用于弱监督位置识别的CNN架构。在IEEE计算机视觉和模式识别会议论文集，第5297-5307页，2016年。2[4]安德鲁·阿劳霍韦德·诺里斯和杰克·西姆卷积神经网络的接 收 域 计 算 。蒸 馏 ， 2019 年。https://distill.pub/2019/computing-receptive-fields. 2[5]Aharon Azulay和Yair Weiss。为什么深度卷积网络对小图像变换的泛化能力如此之差？arXiv预印本arXiv：1805.12177，2018。2[6]Artem Babenko和Victor Lempitsky。聚合局部深度特征用于图像检索。在IEEE计算机视觉国际会议论文集，第1269-1277页，2015年。2[7]阿尔贝托·比蒂和朱利安·麦拉尔。群不变性、变形稳定性和深度卷积表示的复杂性机器学习研究杂志，20（1）：876-924，2019。2[8]维兰德·布伦德尔和马蒂亚斯·贝奇。在imagenet上，用局部特征袋模型来近似cnns的效果出奇的好。2019年，在ICLR。二、五[9]Matthew Brown和David G.洛使用不变特征的自动全景图像拼接国际计算机视觉杂志，74（1）：59-73，2007年8月。7[10]琼·布鲁纳和圣·埃菲·马拉特。变散射卷积网络。IEEETransactionsonPatternAnalysisandMachineIntelligence，35（8）：1872-1886，2013。3[11]Joan Bruna ， Wojciech Zaremba ， Arthur Szlam ， andYann Lecun.图上的谱网络和局部连通网络。在国际学习报告会议（ICLR 2014），CBLS，2014年4月，http-openreview，2014页。1[12]Joao Carreira和Andrew Zisserman。你好，动作识别？新模型和动力学数据集。在IEEE计算机视觉和模式识别会议的论文集，第6299-6308页，2017年。1[13]Hsien-Tzu Cheng，Chun-Hung Chao，Jin-Dong Dong，Hao-Kai Wen，Tyng-Luh Liu，and Min Sun.立方体填充用于360视频中的弱监督显着性预测。在IEEE计算机视觉和模式识别会议论文集，第1420-1429页，2018年。3[14]赵永勋、巴特·范·梅尔·恩博、德米特里·巴-达瑙和约瑟芬·本吉奥。关于神经机器翻译的特性：编码器-解码器方法。Syn-tax，统计翻译中的语义和结构，第103页，2014年。1[15]崔根武，阿泽卡斯，马克桑德尔，赵京铉。用于音乐分类的卷积递归神经网络。2017年IEEE声学、语音和信号处理国际会议（ICASSP），第2392-2396页。IEEE，2017年。1[16]Mircea Cimpoi，Subhransu Maji，Iasonas Kokkinos，and Andrea Vedaldi.用于纹理识别、描述和分割的深度滤波器组。International Journal of Computer Vision，118（1）：65-94，2016。2[17]塔可·科恩和麦克斯·威林群等变卷积网络。在机器学习国际会议上，第2990-2999页，2016年。2[18]Ekin D Cubuk，Barret Zoph，Danjay Mane，Vijay Va-sudevan，and Quoc V Le.自动扩增：从数据中学习增强策略。在IEEE计算机视觉和模式识别会议论文集，第113-123页，2019年。2[19]Sander Dieleman ， Jeffrey De Fauw ， and KorayKavukcuoglu.利用卷积神经网络中的循环对称性。在ICML，第1889JMLR。org，2016. 2[20]西塞罗·多斯桑托斯和迈拉·加蒂深度卷积神经网络用于短文本的情感分析。在COLING 2014会议录中，第25届计算语言学国际会议：技术论文，第69-78页，2014年。1[21]大卫·K·杜沃诺、杜格尔·麦克劳林、豪尔赫·伊帕拉吉雷、拉法埃尔·邦巴雷尔、Timoth yHirzel、Ala' nAspuru-Guzik和瑞安·P·亚当斯。用于学习分子指纹的图上卷积网络。神经信息处理系统的进展，第2224-2232页，2015年。1[22]Logan Engstrom 、 Brandon Tran 、 Dimitris Tsipras 、Ludwig Schmidt和Aleksander Madry。探索空间鲁棒性的前景。在机器学习国际会议上，第1802-1811页，2019年。2[23]阿尔侯赛因·法齐和帕斯卡·弗罗萨德。Manitest：分类器真的是不变的吗？英国机器视觉会议（BMVC），编号CONF，2015年。2[24]Alhussein Fawzi，Horst Samulowitz，Deepak Turaga，and Pascal Frossard.用于图像分类的自适应数据增强。2016年IEEE图像处理国际会议（ICIP），第3688-3692页。IEEE，2016年。2[25]Leon A Gatys，Alexander S Ecker，and Matthias Bethge.使用卷积神经网络的图像风格转换。在IEEE计算机视觉和模式识别集，第2414-2423页，2016年。1[26]罗伯特·根斯和佩德罗·多明戈斯。深层对称网络。神经信息处理系统的进展，第2537-2545页，2014年。二、三[27]Ross Girshick，Jeff Donahue，Trevor Darrell和JitendraMalik。丰富的功能层次结构，用于准确的对象检测和语义分割。在IEEE计算机视觉和模式识别会议论文集，第580-587页，2014年。2[28]Yunchao Gong，Liwei Wang，Ruiqi Guo，and SvetlanaLazebnik.深度卷积激活特征的多尺度无序池化。欧洲计算机视觉会议，第392-407页。Springer，2014. 2[29]伊恩·古德费洛、让·普盖特-阿巴迪、迈赫迪·米尔扎、许冰、大卫·沃德-法利、谢尔吉尔·奥扎尔、阿伦·库维尔和约舒亚·本吉奥。生成性对抗网。神经信息处理系统的进展，第2672-2680页，2014年。114283[30]丹尼尔·格里菲斯空间统计分析中的边值问题。Journalof Regional Science，23（3）：3772[31]作者声明：Daniel A Griffith，Carl G Amrhein.空间统计分析中边界效应校正技术的评价：传统方法。地理分析，15（4）：352-360，1983年。2[32]Han Xufeng ， Thomas Leung ， Yangqing Jia ， RahulSuk-thankar ， and Alexander C Berg. Matchnet ：Unifying fea- ture and metric learning for patch-basedmatching. 在 IEEE 计 算 机 视 觉 和 模 式 识 别 会 议 的Proceedings，第3279-3286页，2015年。一、二[33]原贤章片冈广胜佐藤丰时空3d cnns能回溯2d cnns和imagenet的历史吗？在IEEE计算机视觉和模式识别会议论文集，第6546-6555页1、8[34]何开明、吉欧吉亚·吉欧萨里、彼得·多尔和罗斯·吉尔希克.面具R-CNN。在IEEE国际计算机视觉会议论文集，第2961-2969页，2017年。一、二[35]Kaiming He，Xiangyu Zhang，Shaoying Ren，and JianSun.用于图像识别的深度残差学习。在Proceedings ofthe IEEE conference on computer vision and patternrecognition，第770-778页，2016中。一、二、五[36]何翔宇，莫子涛，陈强，程安达，王培松，程健。用于语义分割的位置感知上采样，2019年。3[37]Dan Hendrycks ， Kevin Zhao ， Steven Basart ， JacobSteinhardt，和Dawn Song.自然对抗的例子。arXiv预印本arXiv：1907.07174，2019。6[38]Joao F Henriques和Andrea Vedaldi。扭曲卷积：有效的空间变换不变性。ICML，第1461-1469页。JMLR。org，2017. 2[39]Al e xHern a'number-Gar c'ıa和PeterK'nig。数据增广而不是 显 式 正 则 化 。 arXiv 预 印 本 arXiv ： 1806.03852 ，2018。2[40]ShawnHershey，Sourish Chaudhuri，Daniel PW Ellis，Jort F Gemmeke，Aren Jansen，R Channing Moore，Manoj Plakal ， Devin Platt ， Rif A Saurous ， BryanSeybold，et al.用于大规模音频分类的Cnn体系结构。2017 年 IEEE 国 际 声 学 、 语 音 和 信 号 处 理 会 议（icassp），第131-135页IEEE，2017年。1[41]Daniel Ho ， Eric Liang ， Xi Chen ， Ion Stoica ， andPieter Abbeel.基于人群的扩增：增强策略调度的高效学习。在国际机器学习会议上，第2731-2741页，2019年。2[42]Le Hou，Dimitris Samaras，Tahsin M Kurc，Yi Gao，James E Davis，and Joel H Saltz.基于块的卷积神经网络用于完整切片组织图像分类。在IEEE计算机视觉和模式识别会议论文集，第2424-2433页2[43]Gao Huang，Zhuang Liu，Laurens Van Der Maaten，and Kilian Q Weinberger.密集连接的卷积网络。在IEEE计算机视觉和模式识别会议论文集，第4700-4708页一、二、五[44]Carlo Innamorati，Tobias Ritschel，Tim Weyrich，andNiloy J Mitra.在边缘学习：研究cnn中的绑定过滤器。国际计算机视觉杂志，第1-10页。3[45]Md Amirul Islam，Sen Jia，and Neil DB Bruce.卷积神经网络编码了多少位置信息？2019年，在ICLR。2[46]Jorn-Henrik Jacobsen，Jan van Gemert，Zhongyu Lou，and Arnold WM Smeulders.中枢神经系统感受野的结构化在IEEE计算机视觉和模式识别会议论文集，第2610-2619页3[47]贝恩德·雅恩数字图像处理，第4卷。Springer Berlin，2005. 2[48]Kevin Jarrett、Koray Kavukcuoglu、Marc对象识别的最佳多级架构是什么？2009年IEEE第12届计算机视觉国际会议，第2146-2153页。IEEE，2009年。3[49]Can Kanbak、Seyed-Mohsen Moosavi-Dezfooli和PascalFrossard。深度网络的几何鲁棒性：分析和改进。在IEEE计算机视觉和模式识别会议（CVPR），2018年6月。2[50]埃里克·考德雷尔-艾布拉姆斯量化卷积神经网络中的不变性。arXiv预印本arXiv：1801.01450，2017。2[51]Durk P Kingma和Prafulla Dhariwal。Glow：具有可逆1x1卷积的生成流。神经信息处理系统进展，第10215-10224页，2018年1[52]Alexander Kirillov 、 Kaiming He 、 Ross Girshick 、Carsten Rothe r和PiotrDoll a'r。 全视节段在IEEE计算机视觉和模式识别会议的主席，第9404-9413页1[53]Risi Kondor和Shubhendu Trivedi。关于神经网络中的等方差和卷积对紧群作用的推广。在机器学习国际会议上，第2752-2760页，2018年。2[54]亚历克斯·克里热夫斯基、伊利亚·萨茨克弗和杰弗里·E·辛顿。使用深度卷积神经网络的图像网分类神经信息处理系统的进展，第1097-1105页，2012年。一、二[55]HildegardKuehne ， HueihanJhuang ， Est´ıbalizGarrote，Tomaso Poggio，and Thomas Serre. Hmdb：用于人体运动识别的大型视频数据库。2011年国际计算机视觉会议，第2556IEEE，2011年。8[56]赖四维，徐立恒，刘康，赵军。用于文本分类的递归卷积神经网络。2015年第29届AAAI人工智能。1[57]DmitryLaptev ， NikolaySavinov ， JoachimMBuhmann，and Marc Pollefeys. Ti-pooling：用于卷积神经网络中特征学习的变换不变池。在IEEE计算机视觉和模式识别会议论文集，第289-297页2[58]Yann LeCun，Yoshua Bengio，等.图像、语音和时间序列的卷积脑理论和神经网络手册，3361（10）：1995，1995。114284[59]YannLeCun，Le'onBottou，YoesiBengio，PatrickHaffner，et al.基于梯度的学习应用于文档识别。Proceedings of the IEEE，86（11）：2278-2324，1998. 2[60]Karel Lenc和Andrea Vedaldi。通过测量它们的等方差和等方差来理解图像IEEE计算机视觉与模式识别会议（CVPR），2015年6月。2[61]Min Lin，Qiang Chen，and Shuicheng Yan.网络中的网络InICLR，2013. 一、二[62]Guilin Liu，Kevin J Shih，Ting-Chun Wang，Fitsum AReda，Karan Sapra，Zhiding Yu，Andrew Tao，andBryan Catan-zaro. 基于部分卷积的填充arXiv预印本arXiv：1811.11718，2018。3[63]租刘和贾佳雅。 减少边界伪影图像去卷积。2008年第 15 届 IEEE 图 像 处 理 国 际 会 议 ， 第 505-508 页 。IEEE，2008年。3[64]Rosanne Liu 、 Joel Lehman 、 Piero Molino 、 FelipePetroski Such 、 Eric Frank 、 Alex Sergeev 和 JasonYosinski。卷积神经网络和coordconv解决方案的有趣失败。神经信息处理系统的进展，第9605-9616页，2018年。3[65]Wei Liu ， Dragomir Anguelov ， Dumitru Erhan ，Christian Szegedy，Scott Reed，Cheng-Yang Fu，andAlexander C Berg. Ssd：单发多盒探测器。在欧洲计算机视觉会议上，第21施普林格，2016年。1[66]Jonathan L Long，Ning Zhang，and Trevor Darrell.囚犯们能神经信息处理系统的进展，第1601-1609页，2014年。一、二[67]Zixin Luo，Tianwei Shen，Lei Zhou，Siyu Zhu，RunzeZhang ， Yao Yao ， Tian Fang ， and Long Quan.Geodesc：通过整合几何约束来学习局部描述符。在欧洲计算机视觉会议（ECCV）的论文集，2018。3[68]DiegoMarcos ， BenjaminKellenberger ， SylvainLobry，and Devis Tuia.具有向量场的cnn中的尺度等变性。arXiv预印本arXiv：1807.11783，2018。2[69]迭戈·马科斯，米歇尔·沃尔皮，尼科斯·科莫达基斯，和德·维斯·图亚.旋转等变向量场网络。在ICCV，第5048-5057页，2017年。2[70]AnastasiaMishchuk， DmytroMishkin， FilipRadenovic，and Jiri Matas.努力了解邻居神经信息处理系统的进展，第4826-4837页，2017年。7[71]Arun Mukundan，Giorgos Tolias，and Ondrej Chum.深度局部描述符的外显空间编码。在IEEE计算机视觉和模式识别会议上，第9394-9403页，2019年。3[72]Davy Neven、Bert De Brabandere、Marc Proesmans和Luc Van Gool。通过联合优化空间嵌入和聚类带宽的实例分割。在IEEE计算机视觉和模式识别会议上，第8837-8845页，2019年。3[73]Aaron van den Oord、Sander Dieleman、Heiga Zen、Karen Simonyan 、 Oriol Vinyals 、 Alex Graves 、 NalKalchbrenner、Andrew Senior和Koray Kavukcuoglu。Wavenet：原 始 音 频 的 生 成 模 型 。 arXiv 预 印 本 arXiv ：1609.03499，2016。1[74]爱德华·奥亚隆和S te'phaneMallat。用于目标分类的深 度 旋 转 在 Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition 中 ， 第 2865-2873页，2015年。3[75]Edouard Oyallon，Sergey Zagoruyko，Gabriel Huang，Nikos Komodakis ， Simon Lacoste-Julien ， Matthew BBlaschko，and Eugene Belilovsky.混合表示学习的分散网 络 。 IEEE transactions on pattern analysis andmachine intelligence，2018。3[76]Nikolaos Passalis和Anastasios Tefas。学习深度卷积神经网络的特征袋池在IEEE计算机视觉国际会议论文集，第5755-5763页，2017年。2[77]Joseph Redmon，Santosh Divvala，Ross Girshick，andAli Farhadi.你只看一次：统一的实时对象检测。在IEEE计算机视觉和模式识别会议论文集，第779-788页1[78]斯坦利·J·里夫斯。无边界伪影的快速图像恢复。IEEETransactions on Image Processing，14（10）：1448-1453，2005。3[79]任少卿、何开明、罗斯·格尔希克、孙健。更快的r-cnn：用区域建议网络进行实时目标检测。在神经信息处理系统的进展，第91-99页一、二[80]亚历山大·理查德和尤尔根·加尔。一种用于动作识别的词袋等效递归神经网络。计算机视觉和图像理解，156：79-91，2017。2[81]Olaf Ronneberger，Philipp Fischer，and Thomas Brox.U-net：用于生物医学图像分割的卷积网络医学图像计算和计算机辅助干预国际会议，第234施普林格，2015年。1[82]贾斯汀·萨拉蒙和胡安·巴勃罗·贝洛深度卷积神经网络和数据增强用于语音分类。IEEE Signal ProcessingLetters，24（3）：279-283，2017。1[83]Andrew M Saxe，Pang Wei Koh，Zhenghao Chen，Ma-neesh Bhand，Bipin Suresh，and Andrew Y Ng.关于随机权重和无监督特征学习。在ICML，第2卷，第6页，2011中。3[84]Michael Schlichtkrull，Thomas N Kipf，Peter Bloem，Rianne Van Den Berg，Ivan Titov，and Max Welling.用图卷积网络模拟关系数据. 欧洲语义网会议，第593Springer，2018. 1[85]舒伯特、皮尔·诺伊伯特、约翰内斯·波希曼和彼得·普雷策尔。用于全景图像和激光数据的循环卷积神经网络。2019年IEEE智能车辆研讨会（IV），第653-660页。IEEE，2019。3[86]阿萨瓦·沙玛，刘修文，杨小军，帝释。基于块的卷积神经网络用于遥感图像分类。神经网络，95：192[87]沈涛，黄玉宇，佟志军Facebagnet：用于多模式面部反欺骗的局部特征袋模型14285在IEEE计算机视觉和模式识别会议（CVPR）研讨会上，2019年6月。2[88]Karen Simonyan和Andrew Zisserman双流卷积网络用于视频中的动作识别。神经信息处理系统的进展，第568-576页，2014年。1[89]Karen Simonyan和Andrew Zisserman用于大规模图像识别的非常深的arXiv预印本arXiv：1409.1556，2014。一、二[90]Kihyuk Sohn和Honglak Lee。用局部变换学习不变表示第29届国际机器学习会议论文集，第1339Omnipress，2012年。2[91]Khurram Soomro 、 Amir Roshan Zamir 和 MubarakShah。UCF101：来自野外视频的101个人类动作类的数据集。CoRR，abs/1212.0402，2012。8[92]伊万·索斯诺维克，米夏埃尔·斯马加，阿诺德·斯穆尔德 斯 。 标 度 等 变 可 控 网 络 。 arXiv 预 印 本 arXiv ：1910.11093，2019。2[93]J Springenberg，Alexey Dosovitskiy，Thomas Brox，and M Riedmiller.追求简单：全卷积网。在ICLR（研讨会轨道），2015年。一、二[94]Gilbert Strang和Truong Nguyen 滤波器和滤波器组。SIAM，1996年。2[95]Christian Szegedy ， Wei Liu ， Yangqing Jia ， PierreSermanet，Scott Reed，Dragomir Anguelov，DumitruErhan，Vincent Vanhoucke，and Andrew Rabinovich.更深的回旋。在IEEE计算机视觉和模式识别会议论文集，第1-9页，2015年。一、二[96]德米特里·乌里扬诺夫，安德烈·维达尔迪，维克多·伦皮茨基。深度图像先验。在IEEE计算机视觉和模式识别集，第94463[97]Gregor Urban ， Krzysztof J Geras ， Samira EbrahimiKahou，Ozlem Aslan，Shengjie Wang，AbdelrahmanMohamed ， Matthai Philipose ， Matt Richardson ， andRich Caruana.深度卷积网络真的需要深度和卷积吗？ICLR，2016年。3[98]扬·C·范·格默特。通过推广空间金字塔，利用摄影风格进行类别级图像分类第一届ACM多媒体检索国际会议论文集，第1-8页，2011年。8[99]Yude Wang，Jie Zhang，Meina Kan，Shiguang Shan，and Xilin Chen.用于弱监督语义分割的自监督尺度等变网络。arXiv预印本arXiv：1909.03714，2019。2[100]Zhenyi Wang and Olga Veksler.CNN的定位增强arXiv预印本arXiv：1807.07044，2018。3[101]Nicholas Watters ， Loic Matthey ， Christopher PBurgess，and Alexander Lerchner.空间广播解码器：一个简单的架构，用于学习vae中的解纠缠表示在ICLR研讨会，2019年。3[102]Maurice Weiler，Fred A Hamprecht，and Martin Storath.旋转等变cnn的方向可调滤波器学习。在IEEE计算机视觉和模式识别会议论文集，第849-858页，2018年。2[103]DanielEWorrall ， StephanJGarbin ， DaniyarTurmukham- betov，and Gabriel J Brostow.谐波网络：深度平移和旋转等方差。在IEEE计算机视觉和模式识别会议论文集，第5028-5037页二、三[104]Daniel E Worrall和Max Welling。深尺度空间：尺度上的等方差。arXiv预印本arXiv：1905.11697，2019。2[105]谢赛宁、罗斯·格希克、彼得·多尔、朱文图和何开明。深度神经网络的聚合残差变换在IEEE计算机视觉和模式识别会议论文集，第1492一、二[106]Yichong Xu，Tianjun Xiao，Jiaxing Zhang，KuiyuanYang，and Zheng Zhang.尺度不变卷积神经网络。arXiv预印本arXiv：1411.6369，2014。2[107]Sergey Zagoruyko和Nikos Komodakis通过卷积神经网络学习在IEEE计算机视觉和模式识别会议论文集，第4353-4361页，2015年。一、二[108]Jure Zbontar，Yann LeCun，等.通过训练卷积神经网络来比较图像块来进行立体匹配。Journal of MachineLearning Research，17（1- 32）：2，2016. 2[109]理查德·张。使卷积网络再次保持平移不变。在机器学习国际会议上，第7324-7334页，2019年。二、六[110]Yanzhao Zhou，Qixiang Ye，Qiang Qiu，and XiaoJiao.定向响应网络。在CVPR中，第519-528页，2017年。2
我的内容管理
展开
