초록
현대 컨볼루션 네트워크는 시프트 불변성이 없기 때문에, 입력의 작은 이동이나 변위가 출력에 큰 변화를 초래할 수 있습니다. 일반적으로 사용되는 다운샘플링 방법들, 예를 들어 맥스 풀링(max-pooling), 스트라이드 컨볼루션(strided-convolution), 평균 풀링(average-pooling)은 샘플링 정리를 무시합니다. 잘 알려진 신호 처리 해결책은 다운샘플링 전에 저통과 필터링을 통해 반별칭(anti-aliasing)을 적용하는 것입니다. 그러나 이 모듈을 딥 네트워크에 단순히 삽입하면 성능이 저하되므로, 오늘날 거의 사용되지 않습니다. 우리는 올바르게 통합될 때 이 기법이 기존 아키텍처 구성 요소인 맥스 풀링 및 스트라이드 컨볼루션과 호환됨을 보여주었습니다. ResNet, DenseNet, MobileNet 등 여러 일반적으로 사용되는 아키텍처에서 ImageNet 분류의 \textit{정확도 증가}를 관찰하였으며, 이는 효과적인 규제(regularization)를 나타냅니다. 또한 입력 데이터의 부패(corruption)에 대한 안정성과 강건성 측면에서 \textit{더 나은 일반화}를 관찰하였습니다. 우리의 결과는 이 고전적인 신호 처리 기법이 현대 딥 네트워크에서 부당하게 간과되었음을 입증합니다. 코드와 인기 있는 네트워크들의 반별칭 버전은 https://richzhang.github.io/antialiased-cnns/ 에서 제공됩니다.