[CVPR2018筆記]Detail-Preserving Pooling in Deep Networks

CVPR 2018 ORAL

顧名思義，提出了保留detail的池化方法。

max/avg pooling一個只選取最大而忽略與周圍像素的關聯性，一個重視關聯性卻又直接抹平，並且在實際梯度計算中也有一些drawback，所以該文提出了這個新方法，一句話概括，就是在池化過程中學了一個動態的weight。

notation：在此，我們以 I& 代替文章中出現的 ,ID代指

Detail-Preserving Image Downscaling

作者總結：DPID計算的是weighted average of the input，周圍的像素中，越近或者difference越大的值能夠給最終的output更高的contribution

以上這一部分是一個鋪墊。

Detail-Preserving Pooling

作者這部分就是將上一部分提出的downscale思想轉化成文章的DPP（如title）

簡言之，就是將上部分中的L2 NORM替換成一個可學習的 generic scalar reward function。

首先給出weight的表示：

這裡用了constrain來保證兩個參數為非負。

這裡給出了兩種reward function：

可以看到，相對而言，後者更傾向與給比中心像素高的像素更高權重，前者則是給差距大的更高權重。

後面，作者又補充了 的生成：

推薦閱讀：