摘要
现代卷积网络并不具备平移不变性，因为输入的小幅移动或平移可能会导致输出发生显著变化。常用的下采样方法，如最大池化（max-pooling）、步幅卷积（strided-convolution）和平均池化（average-pooling），忽略了采样定理。信号处理中常用的方法是在下采样之前通过低通滤波进行抗混叠（anti-aliasing）。然而，简单地将这一模块插入深度网络会降低性能；因此，这种方法在当今的应用中很少被使用。我们展示了当正确集成时，该方法可以与现有的架构组件（如最大池化和步幅卷积）兼容。我们在多个常用架构（如ResNet、DenseNet和MobileNet）上观察到ImageNet分类任务中的准确率提升，这表明了有效的正则化作用。此外，我们还观察到模型在稳定性和对输入损坏的鲁棒性方面表现出更好的泛化能力。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。相关代码和经过抗混叠处理的流行网络版本可访问 https://richzhang.github.io/antialiased-cnns/ 。