Convolution Multiechelle Compétitive

Dans cet article, nous présentons un nouveau module de réseau neuronal convolutif profond (ConvNet) qui favorise la compétition entre un ensemble de filtres convolutifs multi-échelle. Ce nouveau module s'inspire du module Inception, où nous remplaçons l'étape de regroupement collaborative originale (consistant en une concaténation des sorties des filtres multi-échelle) par un regroupement compétitif représenté par une unité d'activation Maxout. Cette extension a les deux objectifs suivants : 1) la sélection de la réponse maximale parmi les filtres multi-échelle empêche la co-adaptation des filtres et permet la formation de plusieurs sous-réseaux au sein du même modèle, ce qui a été démontré pour faciliter l'apprentissage de problèmes complexes ; et 2) l'unité Maxout réduit la dimensionnalité des sorties issues des filtres multi-échelle. Nous montrons que l'utilisation de notre module proposé dans des ConvNets typiques produit des résultats de classification soit meilleurs, soit comparables à l'état de l'art sur les jeux de données de référence suivants : MNIST, CIFAR-10, CIFAR-100 et SVHN.