antialiased-cnns

收录理由

输入图像哪怕只平移一个像素，卷积网络的预测结果就可能发生翻转，这在图像分类和目标识别任务中尤其令人头疼。这个PyTorch包通过BlurPool层直接替换步长为2的最大池化或平均池化，在下采样之前先做模糊处理，从而在不增加参数的前提下恢复平移不变性。如果你已经在用torchvision的骨干网络，最省事的是它提供了AlexNet、VGG、ResNet、DenseNet、MobileNetV2等常见架构的预训练抗混叠权重，直接加载检查点即可，不用从头训练。也可以把BlurPool应用到自己的模型上，把旧权重拷贝过来继续微调，升级路径很直接。README里给出了ImageNet上的实测结果，top-1准确率和平移输入下的预测一致性都有提升，采用之前能有个明确的预期。