초록
전통적인 합성곱 계층에서는 학습된 필터가 훈련 후 고정됩니다. 이에 반해, 우리는 입력에 조건부로 동적으로 생성되는 필터를 사용하는 새로운 프레임워크인 동적 필터 네트워크(Dynamic Filter Network)를 소개합니다. 이 아키텍처는 적응적인 특성으로 인해 유연성이 증가했지만, 모델 매개변수의 수가 과도하게 증가하지 않는다는 점에서 강력한 것으로 나타났습니다. 이러한 방식으로 다양한 필터링 연산을 학습할 수 있으며, 로컬 공간 변환뿐만 아니라 선택적 (디)블러링 또는 적응적 특징 추출과 같은 다른 연산도 포함됩니다. 또한 여러 개의 이러한 계층을 결합하여, 예를 들어 순환 구조에서 사용할 수 있습니다. 우리는 비디오 및 스테레오 예측 작업에서 동적 필터 네트워크의 효과성을 입증하였으며, 움직이는 MNIST 데이터셋에서 훨씬 더 작은 모델로 최고 성능을 달성하였습니다. 학습된 필터를 시각화함으로써, 네트워크가 라벨이 없는 훈련 데이터만으로도 광학 유동 정보를 획득하였음을 보여줍니다. 이는 네트워크가 광학 유동 및 깊이 추정과 같은 다양한 지도 학습 작업을 비지도 방식으로 사전 훈련하는 데 활용될 수 있음을 시사합니다.