초록
최근 연속 합성곱은 불규칙한 샘플링 데이터를 처리하고 장기 의존성을 모델링하는 능력으로 주목을 받고 있습니다. 또한, 큰 합성곱 커널을 사용한 실험 결과가 유망함에 따라 이는 연속 합성곱의 개발을 촉진시켰습니다. 큰 커널을 매우 효율적으로 구성할 수 있기 때문입니다. 신경망, 특히 다층 퍼셉트론(MLP)을 활용하는 것이 현재까지 연속 합성곱을 구현하는 가장 일반적인 접근 방식이었습니다. 그러나 이러한 방법에는 높은 계산 비용, 복잡한 하이퍼파라미터 조정, 필터의 제한된 설명력 등의 몇 가지 단점이 있습니다. 본 논문에서는 신경망 없이 연속 합성곱을 구축하는 대안적 접근 방식을 제안합니다. 이를 통해 더욱 계산 효율적이면서 성능이 개선되었습니다. 우리는 가중치 매개변수가 자유롭게 움직이는 자기 이동 포인트 표현과 연속 함수를 구현하기 위한 보간 방식을 제시합니다. 이러한 방법을 이용하여 합성곱 커널을 구성할 때 실험 결과는 기존 프레임워크에서 즉시 적용 가능한 대체품으로 성능 개선이 이루어졌음을 보여주었습니다. 경량화된 구조 덕분에 우리는 처음으로 대규모 설정, 예를 들어 ImageNet에서 연속 합성곱의 효과를 입증하였습니다. 이는 기존 연구보다 향상된 결과를 제시합니다. 우리의 코드는 https://github.com/sangnekim/SMPConv에서 확인할 수 있습니다.