Adaptiv verbundene Neuronale Netze

Dieses Papier stellt ein neuartiges neuronales Netzwerk mit adaptiver Verbindung (ACNet) vor, um traditionelle Faltungsneuronale Netze (CNNs) in zwei Aspekten zu verbessern. Erstens verwendet ACNet eine flexible Methode, um die globale und lokale Inferenz bei der Verarbeitung interner Merkmalsrepräsentationen durch adaptive Bestimmung des Verbindungsstatus zwischen den Merkmalsknoten (z.B. Pixeln der Merkmalskarten) zu wechseln\footnote{Im Bereich der Computer Vision bezieht sich ein Knoten auf einen Pixel einer Merkmalskarte, während im Graphenbereich ein Knoten für einen Graphenknoten steht.}. Wir können zeigen, dass existierende CNNs, das klassische mehrschichtige Perzeptron (MLP) und das kürzlich vorgeschlagene nicht-lokale Netzwerk (NLN) \cite{nonlocalnn17} alle Sonderfälle von ACNet sind. Zweitens ist ACNet auch in der Lage, nicht-euklidische Daten zu verarbeiten. Ausführliche experimentelle Analysen an verschiedenen Benchmarks (d.h., ImageNet-1k Klassifizierung, COCO 2017 Detektion und Segmentierung, CUHK03 Person Re-Identification, CIFAR-Analyse und Cora-Dokumentenkategorisierung) zeigen, dass ACNet nicht nur den aktuellen Stand der Technik erreichen kann, sondern auch die Einschränkungen des konventionellen MLP und CNN überwindet\footnote{Korrespondierender Autor: Liang Lin ([email protected])}. Der Code ist unter \url{https://github.com/wanggrun/Adaptively-Connected-Neural-Networks} verfügbar.