[CVPR2022 | 论文简读] 重新审视池化：你的感受野不是最理想的

简读分享 | 汪逢生 编辑 | 陈兴民

论文题目

Pooling Revisited: Your Receptive Field is Suboptima

论文摘要

本文提出了一种简单而有效的动态优化池操作（ Dynamically Optimized Pooling operation），称为DynOPool，它通过学习每一层感受野的最佳大小和形状来优化特征映射的端到端比例因子。深度神经网络中任何类型的调整大小模块都可以用DynOPool操作以最小的成本替换。此外，DynOPool通过引入一个限制计算成本的附加损失项来控制模型的复杂性。本文通过介绍固定大小和形状的传统感受野是次优的问题，讨论了DynOPool如何通过CIFAR-100上的VGG-16实验解决这个问题。

论文链接

https://arxiv.org/abs/2205.15254