إعادة جعل الشبكات الإدراكية متغيرة بالانزياح

الشبكات التلافيفية الحديثة ليست ثابتة الإزاحة، حيث يمكن أن تسبب تحولات صغيرة في المدخلات تغييرات كبيرة في المخرجات. الطرق الشائعة للتقليل من الدقة، مثل التجميع الأقصى (max-pooling)، التلافيف المتخطية (strided-convolution)، والتجميع المتوسط (average-pooling)، تتجاهل نظرية العينات. الحل المعروف في معالجة الإشارات هو مكافحة التشويه بتصفية مرشح منخفض التردد قبل التقليل من الدقة. ومع ذلك، فإن إدراج هذا الوحدة ببساطة في الشبكات العميقة يقلل من الأداء؛ ولذلك，则很少在现代深度网络中使用。我们证明，当正确集成时，它与现有的架构组件（如最大池化和跨步卷积）兼容。我们在 ImageNet 分类中观察到 \textit{准确性的提高}，在几种常用的架构（如 ResNet、DenseNet 和 MobileNet）中均有所体现，这表明了有效的正则化。此外，我们还观察到 \textit{更好的泛化能力}，表现在稳定性和对输入损坏的鲁棒性方面。我们的结果表明，这种经典的信号处理技术在现代深度网络中被不公平地忽视了。代码和流行网络的抗混叠版本可在 https://richzhang.github.io/antialiased-cnns/ 获得。修正后的翻译如下：الشبكات التلافيفية الحديثة ليست ثابتة الإزاحة، حيث يمكن أن تسبب تحولات صغيرة في المدخلات تغييرات كبيرة في المخرجات. الطرق الشائعة للتقليل من الدقة، مثل التجميع الأقصى (max-pooling) والتلافيف المتخطية (strided-convolution) والتجميع المتوسط (average-pooling)، تتجاهل نظرية العينات. الحل المعروف في معالجة الإشارات هو مكافحة التشويه بتصفية مرشح منخفض التردد قبل التقليل من الدقة. ومع ذلك، فإن إدراج هذا الوحدة ببساطة في الشبكات العميقة يقلل من الأداء؛ ولذلك，则很少在现代深度网络中使用. نحن نظهر أنه عند دمجه بشكل صحيح، يكون متوافقًا مع المكونات الهندسية الحالية مثل التجميع الأقصى (max-pooling) والتلافيف المتخطية (strided-convolution). لقد لاحظنا \textit{زيادة في الدقة} في تصنيف ImageNet عبر عدة هياكل شائعة الاستخدام مثل ResNet وDenseNet وMobileNet، مما يشير إلى تنظيم فعال. علاوة على ذلك، لاحظنا \textit{تحسينًا أفضل في التعامُل العام} فيما يتعلق بالاستقرار والمتانة ضد تشويه المدخلات. تُظهر نتائجنا أن هذه التقنية الكلاسيكية في معالجة الإشارات قد تم تجاهلها بشكل غير مستحق في الشبكات العميقة الحديثة. الرمز والمراحل المعالجة للمراحل المضادة للتشويه للشبكات الشائعة متاحة على الرابط https://richzhang.github.io/antialiased-cnns/ .