PTT數位生活區 / DataScience

[討論] 現在CNN架構對scale變化的解法？

看板DataScience作者 (背後骯髒的PY火炬)時間5年前 (2019/07/31 20:45), 5年前編輯推噓3(3推 0噓 12→)
留言15則, 6人參與, 5年前最新討論串1/1
就我所知 CNN並不是不受scale變化影響的的 譬如說 同一顆球 我近一點拍 讓球比較大 CNN就可能判錯 對不同大小影像CNN目前的解法 1. 硬train一發, 讓不同大小的data都有train到 然而CNN學到的feature仍不是scale invairant的 若是出現training data中沒有的大小 還是可能會錯 2. 多加幾個CNN: 一個CNN不夠 可以用多個 例如1x1 3x3 5x5 同時都抽feature 然後再 merge起來 例如googleNet 這樣就同時考慮不同大小 但是這樣還是有極限 除非 3x3, 4x4, 5x5, 6x6, ...所有大小都有 3. Laplacian Pyramid/Gaussian Pyramid: 傳統的CV技術 不過跟CNN好像沒有很合？ 4. Pooling: 把不同大小都pooling到一樣大小, 例如ROI pooling, 這我不知道算不算? 可是我覺得其實這只是計算方便 沒有讓他真的對不同尺度都有優化到？ 小弟才疏學淺 還請各位先進補充補充 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.77.18 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1564577111.A.D3E.html ※ 編輯: PyTorch (140.112.150.97 臺灣), 07/31/2019 21:12:39
→
08/01 09:24, 5年前 , 1F
1. data augumentation
08/01 09:24, 1F
→
08/01 09:25, 5年前 , 2F
圖片大小不同 global avg pooling
08/01 09:25, 2F
→
08/01 13:50, 5年前 , 3F
雖然不是scale invariant 不過最近有一篇在講transl-
08/01 13:50, 3F
→
08/01 13:50, 5年前 , 4F
ation invariant的paper 有些概念可以借鏡一下
08/01 13:50, 4F
→
08/01 13:51, 5年前 , 5F
08/01 13:51, 5F
→
08/02 08:27, 5年前 , 6F
Convolution本身就不可能scale invariant, 都是拿model ca
08/02 08:27, 6F
→
08/02 08:27, 5年前 , 7F
pacity去換來的
08/02 08:27, 7F
推
08/02 19:33, 5年前 , 8F
要嘛做augmentation ，要嘛增加模型capacity 。不過沒人
08/02 19:33, 8F
→
08/02 19:33, 5年前 , 9F
提capsule net，hinton在文章中有採用em Routing 跟pose
08/02 19:33, 9F
→
08/02 19:33, 5年前 , 10F
matrix來對抗rotation，我是覺得要對抗scale跟rotation
08/02 19:33, 10F
→
08/02 19:33, 5年前 , 11F
還是要從圖學的角度出發就是了。要不然其實只是在增加
08/02 19:33, 11F
→
08/02 19:33, 5年前 , 12F
更多節點強迫網路記憶你的資料而已。
08/02 19:33, 12F
推
08/04 15:02, 5年前 , 13F
最近在解類似問題 目前是object detection後切ROI後分
08/04 15:02, 13F
→
08/04 15:04, 5年前 , 14F
析 效果比直接用augmentation好一些
08/04 15:04, 14F
推
08/09 00:08, 5年前 , 15F
FPN不是解決了嗎?
08/09 00:08, 15F
‣ 更多 PyTorch 的文章
文章代碼(AID): #1TGOrNq- (DataScience)
DataScience 近期熱門文章
更多 近期熱門文章 >>
PTT數位生活區 即時熱門文章
更多 即時熱門文章 >>
‣ 更多 PyTorch 的文章
文章代碼(AID): #1TGOrNq- (DataScience)