A New Multiple Max-pooling Integration Module and Cross Multiscale Deconvolution Network Based on Image Semantic Segmentation
Xinjiang University（新疆大学）；Software College, Xinjiang University（新疆大学软件学院）；Network Center, Xinjiang University（新疆大学网络中心）
为了更好地保留图像的深度特征并解决端到端分割模型的稀疏性问题，我们提出了一种新的用于医学图像像素分割的深度卷积网络模型，称为MC-Net。该网络模型的核心由四个部分组成，即编码器网络、多个最大池集成模块、交叉多尺度反卷积解码器网络和像素级分类层。在编码器的网络结构中，我们使用多尺度卷积代替传统的单通道卷积。多个最大池化集成模块首先集成编码器网络的每个子模块的输出特征，并使用1的内核大小通过卷积来减少参数的数量。同时，每个最大池化层（每个层的池化大小不同）在每次卷积后进行拼接，以实现每个子模块的特征图的平移不变性。我们使用多个最大池集成模块的输出特征图作为解码器网络的输入;解码器网络中每个子模块的多尺度卷积与编码器网络中相应的多尺度卷积生成的特征图交叉融合。利用上述特征图处理方法，解决了最大池层生成矩阵后的稀疏性问题，增强了分类的鲁棒性。我们使用一个二进制Kaggle 2018数据科学碗数据集和两个多类数据集将我们提出的模型与著名的语义分割全卷积网络（FCN），DecovNet，PSPNet，U-net，SgeNet和其他最先进的分割网络（如HyperDenseNet，MS-Dual，Espnetv 2，Denseaspp）进行比较，并获得了令人鼓舞的实验结果。
2020-03-25 cs.CV cs.LG eess.IV
Split-Merge Pooling
Heidelberg University（海德堡大学）
有多种方法可以通过卷积神经网络（CNN）获得巨大的感受野，例如池化或跨越卷积。这些方法中的大多数最初是为图像分类而设计的，后来适应于密集预测任务，例如语义分割。然而，这种适应的主要缺点是空间信息的丢失。即使是流行的扩张卷积方法（理论上能够以全空间分辨率运行），也需要对大图像尺寸的特征进行二次采样，以便使训练和推理易于处理。在这项工作中，我们引入分裂合并池，以充分保留空间信息，而无需任何子采样。通过将拆分合并池应用于深度网络，我们同时实现了非常大的接受域。我们评估我们的方法，密集的语义分割的大图像尺寸从城市景观和GTA-5数据集。我们证明，通过用我们的分裂合并池化替换最大池化和跨越卷积，我们能够显着提高ResNet不同变体的准确性。
2020-06-13 cs.CV
P2T: Pyramid Pooling Transformer for Scene Understanding
Nankai University（南开大学）；Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局资讯通信研究院）；Alibaba DAMO Academy（阿里巴巴达摩院）
最近，视觉Transformer通过推动各种视觉任务的最新技术，取得了巨大的成功。视觉Transformer中最具挑战性的问题之一是图像令牌的大序列长度导致高计算成本（二次复杂度）。这个问题的一个流行的解决方案是使用单个池操作来减少序列长度。本文考虑如何改进现有的视觉Transformer，其中通过单个池化操作提取的池化特征似乎不太强大。为此，我们注意到，金字塔池已被证明是有效的各种视觉任务，由于其强大的能力，在上下文抽象。然而，金字塔池尚未在骨干网设计中进行探索。为了弥补这一差距，我们建议在视觉Transformer中将金字塔池化适应多头自注意力（MHSA），同时减少序列长度并捕获强大的上下文特征。插入基于池的MHSA，我们构建了一个通用的视觉Transformer主干，称为金字塔池Transformer（P2T）。大量的实验表明，当应用P2T作为骨干网络时，与以前的CNN和基于transformer的网络相比，它在各种视觉任务（如图像分类，语义分割，目标检测和实例分割）中显示出巨大的优越性。该代码将在https://github.com/yuhuan-wu/P2T上发布。
2022-08-31 cs.CV
Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks
Cornell University（康奈尔大学）；Microsoft Research（微软研究院）；Facebook AI Research（脸书人工智能研究院）
众所周知，上下文和多尺度表示对于准确的视觉识别是重要的。在本文中，我们提出了内外网（ION），一个对象检测器，利用内部和外部的信息感兴趣的区域。使用空间循环神经网络整合感兴趣区域之外的上下文信息。在内部，我们使用跳过池来提取多个尺度和抽象级别的信息。通过大量的实验，我们评估了设计空间，并为读者提供了一个概述什么样的技巧是重要的。ION将PASCAL VOC 2012目标检测的最新技术水平从73.9%提高到76.4% mAP。在新的更具挑战性的MS COCO数据集上，我们将最先进的mAP从19.7%提高到33.1%。在2015年MS COCO检测挑战赛中，我们的ION型号赢得了最佳学生参赛作品，并获得了第三名。直觉表明，我们的检测结果提供了强有力的证据，上下文和多尺度表示提高小目标检测。
2015-12-14 cs.CV
A Convolutional Neural Network with Parallel Multi-Scale Spatial Pooling to Detect Temporal Changes in SAR Images
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
在合成孔径雷达（SAR）图像变化检测中，如何从受相干斑噪声影响的差分图像中提取变化信息是一个很有挑战性的问题。在本文中，我们提出了一个多尺度空间池（MSSP）网络，利用变化的信息，从嘈杂的差异图像。与传统的卷积网络仅具有单尺度池化核不同，在所提出的方法中，在卷积网络中配备多尺度池化核，以利用来自差分图像的变化区域的空间上下文信息。此外，为了验证所提出的方法的泛化能力，我们将我们提出的方法应用到跨数据集的双时SAR图像变化检测中，其中MSSP网络（MSSP-Net）在数据集上进行训练，然后应用到未知的测试数据集。我们比较了所提出的方法与其他国家的艺术和比较具有挑战性的双时SAR图像数据集上进行。实验结果表明，我们提出的方法在YR-A和YR-B数据集上获得了与S-PCA-Net相当的结果，并且优于其他最先进的方法，特别是在场景更复杂的仙台A和仙台B数据集上。更重要的是，MSSP-Net比S-PCA-Net和卷积神经网络（CNN）更有效，在训练和测试阶段的执行时间更少。
2020-05-22 cs.CV eess.IV
PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection
College of Computer Science and Technology, Taiyuan University of Technology（太原理工大学计算机科学与技术学院）；Key Laboratory of Machine Perception, Peking University（北京大学机器感知实验室）；University of Pisa（比萨大学）；University of Trento（特伦托大学）
提出两阶段3D目标检测器PVAFN，通过点-体素注意力机制自适应融合点云与BEV特征，并引入多池化增强模块整合多尺度局部与全局信息，在KITTI和Waymo数据集上取得竞争力性能。
2024-08-26 cs.CV
Pooling Revisited: Your Receptive Field is Suboptimal
Seoul National University（首尔大学）
感受野的大小和形状决定了网络如何聚集局部信息，并对模型的整体性能产生重大影响。神经网络中的许多组件，例如卷积和池化操作的内核大小和步长，都会影响感受野的配置。然而，它们仍然依赖于超参数，现有模型的感受野导致了次优的形状和大小。因此，我们提出了一个简单而有效的动态优化池操作，称为DynOPool，它优化的比例因子的特征地图端到端的学习所需的大小和形状的感受野在每一层。深度神经网络中的任何类型的嵌入式模块都可以以最小的成本被DynOPool的操作所取代。此外，DynOPool通过引入限制计算成本的额外损失项来控制模型的复杂性。我们的实验表明，配备了所提出的可学习的神经网络模块的模型在多个数据集上的图像分类和语义分割优于基线网络。
2022-06-29 cs.CV cs.LG
Universal Pooling -- A New Pooling Method for Convolutional Neural Networks
Yonsei University（延世大学）
池化是卷积神经网络中的主要元素之一。池化减少了特征图的大小，从而能够以有限的计算量进行训练和测试。本文提出了一种新的池化方法-泛池化。与现有的池化方法（如平均池化，最大池化和具有固定池化函数的步幅池化）不同，通用池化根据给定的问题和数据集生成任何池化函数。通用池的灵感来自注意力方法，可以被认为是局部空间注意力的通道形式。通用池与主网络联合训练，并表明它包括现有的池化方法。最后，当应用到两个基准问题，所提出的方法优于现有的池化方法，并与预期的多样性，适应给定的问题。
2019-07-26 cs.CV
A Fully Trainable Network with RNN-based Pooling
University of Wollongong（卧龙岗大学）；University of Electronic Science and Technology of China（电子科技大学）
池化是卷积神经网络（CNN）中用于聚集特征和减少计算负担的重要组成部分。与其他组件（如卷积层和完全从数据中学习的全连接层）相比，池化组件仍然是手工制作的，如最大池化和平均池化。本文提出了一种使用递归神经网络（RNN）的可学习池化函数，以便池化可以完全适应网络的数据和其他组件，从而提高性能。这种具有可学习池化功能的网络被称为完全可训练网络（FTN）。实验结果表明，所提出的基于RNN的池可以很好地逼近现有的池函数，提高网络的性能。特别是对于小型网络，与传统的CNN相比，所提出的FTN可以在CIFAR-10数据集上的出错率方面提高7个百分点的性能。
2017-06-16 cs.CV
Analysis of convolutional neural network image classifiers in a hierarchical max-pooling model with additional local pooling
Technische Universität Darmstadt（达姆施塔特工业大学）
图像分类被认为是，并引入了一个分层的最大池模型与额外的局部池。这里，附加的局部池化使得分层模型能够组合图像的彼此具有可变相对距离的部分。介绍了各种卷积神经网络图像分类器，并就其收敛速度进行了比较。有限样本量的估计性能进行了分析，通过将它们应用到模拟和真实数据。
2021-05-31 cs.CV cs.LG stat.ML
Ordinal Pooling Networks: For Preserving Information over Shrinking Feature Maps
University of Sheffield（谢菲尔德大学）
在处于深度学习核心的卷积神经网络的框架中，下采样通常使用最大池化操作来执行，该操作仅保留具有最大激活的元素，而完全丢弃池化区域中的其他元素中包含的信息。为了解决这个问题，一个新的池计划，有序池网络（OPN），在这项工作中介绍。OPN将池化区域的所有元素重新排列在序列中，并根据它们在序列中的顺序为这些元素分配不同的权重，其中权重通过基于梯度的优化来学习。小规模的图像分类实验结果表明，该方案导致了一致的改善，在最大池操作的准确性。这种改进预计将在更深的网络中增加，其中需要几层池。
2018-04-15 cs.CV cs.NE
Emergence of Selective Invariance in Hierarchical Feed Forward Networks
Carnegie Mellon University（卡内基梅隆大学）
已经出现了许多理论，研究如何通过简单的计划，如最大值和平均池在分层网络中产生的不变性。理论和实证研究中对最大值/均值池的限制将注意力从更一般的生成不变性的方法转移到了讨厌的变换上。我们猜想，分层地建立选择不变性（即仔细选择变换的范围，使其在分层网络的每一层都是不变的）对于模式识别是重要的。我们利用一种称为自适应池的新型池化层来找到网络中的线性池化权重。这些具有学习池权重的网络在对象分类任务上的性能与最大/均值池网络相当。有趣的是，自适应池化可以收敛到均值池化（当用随机池化权重初始化时），找到更一般的线性池化方案，甚至决定根本不池化。我们通过在SVHN和ILSVRC 2012等大规模数据集上的对象分类实验来说明选择性不变的一般概念。
2017-01-30 cs.CV cs.LG
Second-Order Pooling for Graph Neural Networks
Texas A&M University（德克萨斯A&M大学）
图神经网络在学习用于图任务（例如节点分类和链接预测）的节点表示方面取得了巨大成功。图表示学习需要图池化以从节点表示获得图表示。由于图的大小和同构性，开发图池方法具有挑战性。在这项工作中，我们建议使用二阶池作为图池，这自然解决了上述挑战。此外，与现有的图池方法相比，二阶池能够使用来自所有节点的信息并收集二阶统计量，使其功能更强大。我们表明，直接使用二阶池与图神经网络导致实际问题。为了克服这些问题，我们提出了两个新的全局图池方法的基础上二阶池，即双线性映射和注意力二阶池。此外，我们将注意力二阶池扩展到分层图池，以便在GNN中更灵活地使用。我们对图分类任务进行了深入的实验，以证明我们提出的方法的有效性和优越性。实验结果表明，我们的方法提高了性能显着和一致的。
2020-07-20 cs.CV cs.LG
Fractional Max-Pooling
University of Warwick（华威大学）
卷积网络几乎总是包含某种形式的空间池，并且通常是alpha乘以alpha=2的alpha max-pooling。最大池作用于网络的隐藏层，通过整数乘法因子alpha减少其大小。丢弃75%数据的惊人副产品是，你在网络中建立了一定程度的平移和弹性扭曲不变性。但是，如果您只是将卷积层与最大池化层交替使用，则由于空间大小的快速减小以及池化区域的不相交性，性能受到限制。我们已经制定了一个分数版本的最大池，其中alpha允许采取非整数值。我们的最大池化版本是随机的，因为有很多不同的方法来构建合适的池化区域。我们发现，我们的分数最大池形式减少了各种数据集上的过拟合：例如，我们改进了CIFAR-100的最新技术，甚至没有使用dropout。
2015-05-12 cs.CV
TI-POOLING: transformation-invariant pooling for feature learning in Convolutional Neural Networks
ETH Zurich（苏黎世联邦理工学院）
在本文中，我们提出了一个深度神经网络拓扑结构，它包含一个简单的实现变换不变池操作（TI-POOLING）。该算子能够有效地处理关于数据中的干扰变化（例如旋转或缩放变化）的先验知识。大多数当前的方法通常利用数据集增强来解决这个问题，但这需要更多的模型参数和更多的训练数据，并导致显著增加的训练时间和更大的欠拟合或过拟合的机会。这些缺点的主要原因是学习模型需要为输入的所有可能转换捕获足够的特征。另一方面，我们将卷积神经网络中的特征公式化为变换不变的。我们实现了使用并行连体架构所考虑的转换集，并应用TI-POOLING操作符在其输出之前的全连接层。我们表明，这种拓扑结构内部找到最佳的“规范”的输入图像的训练实例，因此限制了学习功能的冗余。当与具有数据集增强的标准卷积神经网络和其他基线相比时，这种更有效地使用训练数据的方法在具有较少参数的流行基准数据集上具有更好的性能。
2016-09-22 cs.CV
Sorted Pooling in Convolutional Networks for One-shot Learning
Peter Pazmany Catholic University（帕兹马尼·彼得天主教大学）
我们提出了通用版本的常用的最大池化操作：$k$ th最大和排序池化操作，选择$k$ th最大的响应在每个池化区域，选择本地一致的输入图像的功能。该方法能够提高网络的泛化能力，并可用于减少网络的训练时间和出错率，并且在可用数据量有限的训练场景（如一次性学习场景）的情况下，该方法可以显著提高准确性
2020-07-20 cs.CV cs.LG
Max-Pooling Dropout for Regularization of Convolutional Neural Networks
Fudan University（复旦大学）
最近，dropout在深度学习中的使用越来越多。对于深度卷积神经网络，已知dropout在全连接层中工作良好。然而，其在池化层中的效果仍然不清楚。本文证明了最大池化dropout等价于在训练时基于多项分布随机选择激活。鉴于这一见解，我们主张采用我们提出的概率加权池，而不是常用的最大池，在测试时作为模型平均。经验证据验证了概率加权池的优越性。我们还比较了最大池辍学和随机池，这两个引入随机性的基础上，多项分布在汇集阶段。
2015-12-04 cs.CV cs.LG cs.NE
Pooling Methods in Deep Neural Networks, a Review
Shahrood University of Technology（沙赫鲁德工业大学）；Faculty of Electrical & Robotics Engineering（电气与机器人工程学院）
如今，深度神经网络是各种科学中使用的主要工具之一。卷积神经网络是一种特殊类型的DNN，由几个卷积层组成，每个卷积层后面都有一个激活函数和一个池化层。池化层是一个重要的层，它对来自前一层的特征图执行下采样，并产生具有压缩分辨率的新特征图。这一层大大减少了输入的空间维度。它有两个主要目的。首先是减少参数或权重的数量，从而减少计算成本。二是控制网络的过拟合。一个理想的池化方法应该只提取有用的信息，丢弃不相关的细节。在深度神经网络中实现池化操作的方法有很多。在本文中，我们回顾了一些著名的和有用的池化方法。
2020-09-16 cs.CV cs.LG
Learnable Pooling in Graph Convolution Networks for Brain Surface Analysis
ETS Montreal（蒙特利尔高等技术学院）
脑表面分析对神经科学至关重要，然而，大脑皮层的复杂几何形状阻碍了这项任务的计算方法。困难来自于在欧几里得空间中表示的3D成像数据与高度卷积的大脑表面的非欧几里得几何形状之间的差异。机器学习的最新进展使得神经网络能够用于非欧几里德空间。这些促进了表面数据的学习，但池化策略通常仍然局限于单个固定图。本文提出了一种新的可学习的图池方法，用于处理多个表面值数据以输出基于主题的信息。所提出的方法通过学习基于图谱嵌入的图节点的内在聚合来创新。我们通过在两个大规模基准数据集上的深入实验来说明我们的方法的优势。汇集策略的灵活性评估四个不同的预测任务，即受试者性别分类，皮质区域大小的回归，阿尔茨海默病阶段的分类，和脑年龄回归。我们的实验证明了我们的可学习池化方法与图卷积网络的其他池化技术相比的优越性，其结果提高了大脑表面分析的最新水平。
2019-11-22 cs.CV
Detail-Preserving Pooling in Deep Networks
TU Darmstadt（达姆施塔特工业大学）；NEC Laboratories Europe（欧洲NEC实验室）；Oculus Research（Oculus研究院）
大多数卷积神经网络使用某种方法来逐渐缩小隐藏层的大小。这通常被称为池化，并且被应用于减少参数的数量，提高对某些失真的不变性，以及增加感受野大小。由于池化本质上是一个有损的过程，因此每个这样的层都必须维护对网络的可辨别性最重要的激活部分。然而，简单的最大化或块平均，最大或平均池化，或以步幅卷积形式的简单下采样是标准的。在本文中，我们的目标是利用图像降尺度的最新结果，用于深度学习。受人类视觉系统专注于局部空间变化的启发，我们提出了细节保留池（DPP），这是一种自适应池化方法，可以放大空间变化并保留重要的结构细节。重要的是，它的参数可以与网络的其余部分联合学习。我们分析了它的一些理论特性，并在几个数据集和网络上展示了它的经验优势，其中DPP始终优于以前的池化方法。
2018-04-11 cs.CV cs.LG
FlexPooling with Simple Auxiliary Classifiers in Deep Networks
Department of Computer Vision, Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（阿联酋阿布扎比穆罕默德·本·扎耶德人工智能大学计算机视觉系）
提出FlexPooling自适应池化方法，通过学习加权平均替代标准池化，并附加简单辅助分类器，在多个图像分类数据集上提升准确率1-3%。
2026-06-16 cs.CV
Exploring Novel Pooling Strategies for Edge Preserved Feature Maps in Convolutional Neural Networks
National Institute of Technology Trichy（特里奇国家理工学院）；Indian Institute of Technology Palakkad（帕拉卡德印度理工学院）
随着抗锯齿卷积神经网络（CNN）的引入，重新审视CNN中池化的方式已经有了一些复苏。抗混叠CNN的基本构建块是在池化操作之前应用高斯平滑，以减少由于混叠引起的失真，从而使CNN平移不变。基于小波的方法也被提出作为额外的噪声去除能力的可能性，并给出了有趣的结果，甚至分割任务。然而，所有提出的方法都是在假设高频成分是噪声的情况下完全去除高频成分。然而，通过去除高频分量，特征图中的边缘也被平滑。在这项工作中，一个详尽的分析的边缘保留池的分类，分割和自动编码器的选项。提出了两种新的池化方法，如拉普拉斯-高斯注意力级联（LGCA）池化和基于小波的近似细节系数注意力级联（WADCA）池化。结果表明，所提出的池化方法优于传统的池化以及模糊池化的分类，分割和自动编码器。
2021-10-17 cs.CV eess.IV
AdaScan: Adaptive Scan Pooling in Deep Convolutional Neural Networks for Human Action Recognition in Videos
IIT Kanpur（印度理工学院坎普尔分校）；SRI International（SRI国际）；UCSD（加州大学圣地亚哥分校）
我们提出了一种新的方法，用于在视频中的人类动作识别任务的时间池帧。该方法的动机是观察到，只有少量的帧，它们一起包含足够的信息来区分存在于视频中的动作类，从其余的。所提出的方法学习池这样的歧视性和信息帧，而丢弃在一个单一的时间扫描的视频中的非信息帧的大部分。我们的算法通过连续预测每个视频帧的区分重要性并随后将其汇集在深度学习框架中来实现。我们在标准基准上展示了我们提出的池化方法的有效性，它始终改进了基线池化方法，并基于RGB和光流的卷积网络。此外，结合互补的视频表示，我们显示的结果是有竞争力的两个具有挑战性的和公开可用的基准数据集上的最先进的结果。
2017-06-25 cs.CV
Learnable Discrete Wavelet Pooling (LDW-Pooling) For Convolutional Networks
National Yang Ming Chiao Tung University（阳明交通大学）；University at Albany - SUNY（奥尔巴尼大学 - 纽约州立大学）；University at Buffalo（布法罗大学）
池化是现代深度CNN架构中用于特征聚合和提取的简单但必不可少的层。典型的CNN设计集中在卷积层和激活函数上，而池化层的选项较少。我们介绍了学习离散小波池（LDW-Pooling），它可以普遍应用于取代标准池操作，以更好地提取特征，提高准确性和效率。受小波理论的启发，我们在二维特征图上采用水平和垂直的低通（L）和高通（H）滤波器进行池化。特征信号被分解为四个（LL，LH，HL，HH）子带，以更好地保留特征，避免信息丢失。小波变换确保池化后的特征可以完全保留和恢复。接下来，我们采用基于能量的注意力学习来精挑细选关键和代表性的特征。LDW-Pooling与其他最先进的池化技术（如WaveletPooling和LiftPooling）相比是有效和高效的。广泛的实验验证表明，LDW-Pooling可以应用于广泛的标准CNN架构，并始终优于标准（最大值，平均值，混合和随机）池化操作。
2021-10-20 cs.CV cs.LG eess.IV
Exploiting Vulnerability of Pooling in Convolutional Neural Networks by Strict Layer-Output Manipulation for Adversarial Attacks
卷积神经网络（CNN）在智能车辆等移动机器人领域得到了越来越多的应用。CNN在机器人应用中的安全性是一个重要的问题，对CNN的潜在对抗攻击值得研究。池化是CNN降维和信息丢弃的一个典型步骤。这种信息丢弃可能导致数据特征的误删除和误保存，这在很大程度上影响了网络的输出。这可能会加剧CNN对对抗攻击的脆弱性。在本文中，我们进行对抗攻击CNN从网络结构的角度，通过调查和利用池的脆弱性。首先，提出了一种新的对抗攻击方法--严格层输出操纵（SLOM）。然后设计了一种基于严格池操作（SPM）的攻击方法，该方法是SLOM思想的一种实例化，有效地实现了对目标CNN的I类和II类对抗攻击。研究和比较了不同深度下基于SPM的攻击性能。此外，通过实例化的SLOM精神与不同的操作层的CNN设计的攻击方法的性能进行了比较。实验结果表明，池化比CNN中的其他操作更容易受到对抗攻击。
2020-12-21 cs.CV
Discriminatively Learned Hierarchical Rank Pooling Networks
The Australian National University（澳大利亚国立大学）
在这项工作中，我们提出了新的时间编码方法的行动和活动分类扩展无监督的秩池时间编码方法在两个方面。首先，我们提出了“歧视性的排名池”，其中我们的视频表示和动作分类器的参数的共享权重估计共同为一个给定的训练数据集的标记向量序列使用的学习问题的双层优化制定。当从卷积神经网络（CNN）获得帧级特征向量时，我们对网络激活进行排序池，并以端到端的方式联合估计模型的所有参数，包括CNN滤波器和全连接权重，我们将其称为“端到端可训练的排序池化CNN”。重要的是，该模型可以利用任何现有的卷积神经网络架构（例如，AlexNet或VGG），而无需修改或引入附加参数。然后，我们扩展秩池的高容量的视频表示，称为“分层秩池”。分层秩池由秩池函数网络组成，其基于丰富的帧级特征对任意长视频片段进行时间语义编码。通过将非线性特征函数和时间子序列编码器一个堆叠在另一个之上，我们构建了视频动态行为的高容量编码网络。所得到的视频表示是描述整个视频剪辑的固定长度特征向量，其可以用作标准机器学习分类器的输入。我们展示了我们在行动和活动识别任务上的方法。在三个重要的活动识别基准上，所获得的结果与最先进的方法相当，其分类性能在Hollywood2上为76.7%mAP，在HMDB51上为69.4%，在UCF101上为93.6%。
2017-05-30 cs.CV
Progressive Meta-Pooling Learning for Lightweight Image Classification Model
National University of Defense Technology（国防科技大学）；Chinese Academy of Sciences（中国科学院）
边缘设备的实际网络采用浅深度和小卷积核来节省内存和计算成本，这导致了有限的感受野。传统的高效学习方法集中于轻量级卷积设计，忽略了感受野在神经网络设计中的作用。在本文中，我们提出了元池框架，使感受野可学习的轻量级网络，其中包括参数化池为基础的操作。具体来说，我们引入了一个参数化的空间增强器，它是由池化操作，为每一层的轻量级模型提供通用的感受野。然后，我们提出了一个渐进的元池学习（PMPL）策略的参数化空间增强器，以获得一个合适的感受野大小。ImageNet数据集上的结果表明，使用Meta-Pooling的MobileNetV 2达到了74.6%的top1准确率，比MobileNetV 2高出2.3%。
2023-01-24 cs.CV
Image Retrieval using Multi-scale CNN Features Pooling
Università degli Studi di Firenze（佛罗伦萨大学）
在本文中，我们解决的问题，通过学习图像表示的激活的卷积神经网络的基础上的图像检索。我们提出了一个端到端的可训练网络架构，利用一种新的多尺度局部池的基础上NetVLAD和一个三重挖掘过程的基础上样本的难度，以获得一个有效的图像表示。大量的实验表明，我们的方法是能够达到国家的最先进的结果在三个标准的数据集。
2020-04-24 cs.CV
Ordinal Pooling
University of Liège（列日大学）；University of Louvain（鲁汶大学）；University of Sheffield（谢菲尔德大学）
在卷积神经网络的框架中，下采样通常使用平均池化来执行，其中所有激活都被同等对待，或者使用最大池化操作来执行，该操作仅保留具有最大激活的元素而丢弃其他元素。这两种操作都是限制性的，并且先前已被证明是次优的。为了解决这个问题，一个新的池计划，命名为\emph{ ordinal pooling}，在这项工作中介绍。有序池化将池化区域中的所有元素重新排列为一个序列，并根据每个元素在序列中的顺序为其分配不同的权重。这些权重用于将池化操作计算为池化区域的重新布置的元素的加权和。它们是通过标准的基于梯度的训练来学习的，允许以可区分的方式学习平均池化到最大池化范围内的任何地方的行为。我们的实验表明，网络在池化层内执行不同类型的池化操作是有利的，并且平均池化和最大池化之间的混合行为通常是有益的。更重要的是，他们还证明了有序池化导致平均或最大池化操作的准确性的一致提高，同时加快了训练速度，并缓解了网络中使用的池化操作和激活函数的选择问题。特别地，序数池化主要有助于轻量级或量化的深度学习架构，如通常考虑的，例如用于嵌入式应用。
2021-09-03 cs.CV
Covariance Pooling For Facial Expression Recognition
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
将面部表情分类为不同类别需要捕获面部标志的区域失真。我们认为，二阶统计量，如协方差，是更好地捕捉这种扭曲的区域面部特征。在这项工作中，我们探讨了使用一个人的网络结构的协方差池，以提高面部表情识别的好处。特别地，我们首先将这种流形网络与传统的卷积网络结合使用，以端到端的深度学习方式在单独的图像特征图内进行空间池化。通过这样做，我们能够实现58.14%的静态面部表情在野生（SFEW 2.0）的验证集和87.0%的真实世界情感人脸（RAF）数据库的验证集的识别准确率。这两个结果都是我们所知道的最好的结果。此外，我们利用协方差池来捕获基于视频的面部表情识别的每帧特征的时间演变。我们报告的结果证明了通过在卷积网络层上堆叠设计的协方差池的流形网络来暂时池化图像集特征的优势。
2018-05-13 cs.CV
Image Classification using Fuzzy Pooling in Convolutional Kolmogorov-Arnold Networks
School of Information Technology and Engineering（信息技术与工程学院）；Kazakh-British Technical University（哈萨克斯坦-英国技术大学）
本文提出将KAN分类头与Fuzzy Pooling集成至CNN中，利用KAN的可解释性与模糊逻辑处理不确定性的能力，在图像分类任务中实现了较传统模型相当或更高的准确率，提升了模型的可解释性与效率。
2024-07-23 cs.CV
Flip-Rotate-Pooling Convolution and Split Dropout on Convolution Neural Networks for Image Classification
Zhejiang University（浙江大学）
本文提出了一种新版本的Dropout，称为Split Dropout（sDropout）和旋转卷积技术，以提高CNN在图像分类上的性能。广泛使用的标准Dropout具有通过在训练期间随机丢弃单元来防止深度神经网络过拟合的优点。我们的sDropout将数据随机分为两个子集，并保留两个子集，而不是丢弃一个子集。我们还介绍了两种旋转卷积技术，即旋转池卷积（RPC）和翻转旋转池卷积（FRPC），以提高CNN在旋转变换鲁棒性方面的性能。这两种技术将旋转不变性编码到网络中，而无需添加额外的参数。在ImageNet 2012分类任务上的实验结果表明，sDropout不仅提高了性能，而且收敛速度更快。此外，RPC和FRPC使CNN在旋转变换方面更加健壮。总的来说，与原始网络相比，FRPC与sDropout一起在ImageNet 2012分类任务中带来了$1.18\%$（Zeiler和Fergus的模型~ \cite{zeiler2013visualizing}，10-view，top-1）的准确性提高。
2015-07-31 cs.CV
Deep hierarchical pooling design for cross-granularity action recognition
Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；LIP6（巴黎第六大学计算机实验室）
在本文中，我们介绍了一种新的分层聚合设计，捕捉不同级别的时间粒度的动作识别。我们的设计原则是由粗到细，并使用树结构网络实现;当我们自上而下遍历这个网络时，池化操作变得不那么不变，但更及时，更坚定，更好地定位。学习这个网络中的操作组合-最适合给定的地面实况-是通过求解一个约束最小化问题来获得的，该问题的解对应于全局分层池化过程中捕获每个级别（以及时间粒度）的贡献的权重分布。除了原则性和良好的基础，所提出的分层池也是视频长度不可知的，并且对动作中的不一致有弹性。对具有挑战性的UCF-101数据库进行的广泛实验证实了这些说法。
2020-06-08 cs.CV
MoNet: Moments Embedding Network
Northeastern University（东北大学）；Information Sciences Institute, USC（南加州大学信息科学研究所）
最近提出了双线性池作为特征编码层，可以在深度网络的卷积层之后使用，以提高多个视觉任务的性能。与传统的全局平均池或全连接层不同，双线性池以平移不变的方式收集二阶信息。然而，这个池层家族的一个严重缺点是它们的维度爆炸。已经探索了具有紧凑特性的近似池化方法来解决这个弱点。此外，最近的结果表明，通过添加一阶信息并应用矩阵归一化来正则化不稳定的高阶信息，可以实现显着的性能增益。然而，直到现在还没有探索将紧凑池与矩阵归一化和其他顺序信息相结合。在本文中，我们统一了双线性池和全局高斯嵌入层通过经验矩矩阵。此外，我们提出了一种新的子矩阵平方根层，它可以用于直接归一化卷积层的输出，并通过现成的紧凑池化方法减轻维数问题。我们在三个广泛使用的细粒度分类数据集上的实验表明，我们提出的架构MoNet可以实现与最先进的G2DeNet相似或更好的性能。此外，当与紧凑池技术相结合时，MoNet获得了与编码特征相当的性能，其维数减少了96%。
2018-03-29 cs.CV
Dense Pooling layers in Fully Convolutional Network for Skin Lesion Segmentation
Isfahan University of Technology（伊斯法罕理工大学）；University of British Columbia（不列颠哥伦比亚大学）；University of Michigan（密歇根大学）；McMaster University（麦克马斯特大学）
医学图像分析的一个基本任务是图像的分割和准确的边界检测。皮肤图像中的病变分割是计算机检测皮肤癌的重要步骤。然而，许多国家的最先进的分割方法在其边界检测阶段的不足之处。本文提出了一种新的全卷积网络，具有新的密集池层，用于皮肤图像中病变区域的分割。该网络导致皮肤病变数据集上的病变的高度准确的分割，其在皮肤病变分割中优于最先进的算法。
2019-08-31 cs.CV
Set Aggregation Network as a Trainable Pooling Layer
Faculty of Mathematics and Computer Science Jagiellonian University（雅盖隆大学数学与计算机科学学院）；Ardigen
全局池化，例如最大池化或和池化，是用于处理图像、文本、图形和其他类型的结构化数据的深度神经网络中的关键成分之一。基于Zaheer等人最近提出的DeepSets架构（NIPS 2017），我们引入了集合聚合网络（SAN）作为替代全局池化层。与典型的池运算符相比，SAN允许将给定的一组特征嵌入到任意大小的向量表示中。我们表明，通过调整嵌入的大小，SAN是能够保持从输入的整个信息。在实验中，我们证明了用SAN代替全局池化层可以提高分类精度。此外，它不太容易过拟合，可以用作正则化器。
2019-11-25 cs.AI cs.CV cs.LG
Towards Faster Training of Global Covariance Pooling Networks by Iterative Matrix Square Root Normalization
Dalian University of Technology（大连理工大学）
在卷积神经网络中，全局协方差池比经典的一阶池有了令人印象深刻的改进。最近的工作表明，矩阵平方根归一化在实现最先进的性能方面起着核心作用。然而，现有的方法严重依赖于特征分解（EIG）或奇异值分解（SVD），由于GPU对EIG和SVD的支持有限，因此训练效率低下。为了解决这个问题，我们提出了一种迭代矩阵平方根归一化方法，用于全局协方差池网络的快速端到端训练。在我们的方法的核心是一个元层设计与循环嵌入有向图结构。元层由三个连续的非线性结构层组成，分别进行预归一化、耦合矩阵迭代和后补偿。我们的方法比基于EIG或SVD的方法快得多，因为它只涉及矩阵乘法，适合在GPU上并行实现。此外，采用ResNet架构的网络可以在更少的时期内收敛，进一步加速网络训练。在大规模ImageNet上，我们实现了优于现有同行的竞争性能。通过微调我们在ImageNet上预训练的模型，我们在三个具有挑战性的细粒度基准测试中建立了最先进的结果。源代码和网络模型将在http://www.peihuali.org/iSQRT-COV上提供
2018-04-01 cs.CV
Advanced Super-Resolution using Lossless Pooling Convolutional Networks
Queen Mary University of London（伦敦玛丽女王大学）
在本文中，我们提出了一种用于静态图像超分辨率的基于深度学习的新方法，与主流模型不同，该方法不仅依赖于输入的低分辨率图像来进行高质量上采样，而且利用了一组人工创建的输入图像的辅助自副本，这些副本被并入神经网络中以创建增强且准确的上尺度方案。包含所提出的无损池化层和输入自副本的融合使模型能够利用相同内容的多个实例之间的高相关性，并最终导致超分辨率的质量的显著改善，这是通过广泛的评估确认的。
2018-12-14 cs.CV
Object Recognition with Multi-Scale Pyramidal Pooling Networks
IDSIA（IDSIA研究所）；USI（意大利语区大学）；SUPSI（瑞士南部应用科学与艺术大学）；ArcelorMittal（安赛乐米塔尔）
我们提出了一个多尺度金字塔池网络，具有一个新的金字塔池层在多个尺度和一个新的编码层。由于前者，网络不需要给定分类任务的所有图像都具有相同的大小。与类似的神经网络架构相比，编码层提高了泛化性能，特别是当训练数据稀缺时。我们在各种基准数据集上评估并比较了我们的系统与卷积神经网络和最先进的计算机视觉方法。我们还提出了工业钢材缺陷分类的结果，现有的架构是不适用的，因为同样大小的输入图像的约束。所提出的架构可以被看作是一个完全监督的分层特征袋扩展，它是在线训练的，可以针对任何给定的任务进行微调。
2012-07-07 cs.CV cs.NE
Maximal Independent Sets for Pooling in Graph Neural Networks
Normandie Univ（诺曼底大学）；ENSICAEN（卡昂高等工程师学院）；CNRS（法国国家科学研究中心）；UNICAEN（卡昂大学）；INSA Rouen Normandie（鲁昂诺曼底国立应用科学学院）；Univ Rouen Normandie（鲁昂诺曼底大学）；Université Le Havre Normandie（勒阿弗尔诺曼底大学）
本文针对传统图池化方法的断开、过度连接、低抽取率等问题，提出三种基于最大独立集的池化方法，实验验证其有效性。
2023-07-24 cs.AI cs.CV cs.LG
Learning Bag-of-Features Pooling for Deep Convolutional Neural Networks
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
卷积神经网络（CNN）是一种成熟的模型，能够为各种计算机视觉任务实现最先进的分类精度。然而，它们变得越来越大，使用数百万个参数，而它们仅限于处理固定大小的图像。在本文中，基于量化的方法，灵感来自著名的袋的功能模型，提出了克服这些限制。所提出的方法称为卷积BoF（CBoF），使用RBF神经元对从卷积层中提取的信息进行分类，并且能够对各种大小的图像进行本机分类，并显着减少网络中的参数数量。与其他全局池化算子和CNN压缩技术相比，所提出的方法利用端到端可微分的可训练池化层，允许使用常规反向传播来训练网络，并实现比竞争方法更大的分布偏移不变性。使用三个图像数据集证明了所提出的方法，以减少网络的参数，并增加了其他国家的最先进的技术的分类精度的能力。
2017-07-26 cs.CV
Comparison of Methods Generalizing Max- and Average-Pooling
University of Basel（巴塞尔大学）
最大池化和平均池化是卷积神经网络中用于下采样的最流行的池化方法。在本文中，我们比较了不同的池化方法，概括了最大池化和平均池化。此外，我们提出了另一种方法的基础上的最大值函数的平滑逼近，并把它与相关的方法。为了进行比较，我们使用VGG 16图像分类网络，并在一个大型的自然高分辨率图像数据集（Google Open Images v5）上对其进行训练。结果表明，没有一个更复杂的方法在这个分类任务中比标准的最大或平均池更好。
2021-03-02 cs.CV cs.LG
PCANet-II: When PCANet Meets the Second Order Pooling
Beijing University of Posts and Telecommunications（北京邮电大学）
PCANet作为一个值得注意的浅层网络，采用直方图表示特征池。然而，这种联营方式存在三个主要问题。首先，基于直方图的池化方法将特征图二值化，导致不可避免的鉴别信息丢失。其次，它是很难有效地结合到一个紧凑的表示，因为各种视觉线索的简单级联导致特征表示效率低下。第三，基于直方图的输出的维度随着所使用的特征图的数量呈指数增长。为了克服这些问题，我们提出了一种新的浅网络模型，命名为PCANet-II。与基于直方图的输出相比，二阶池化不仅通过保留卷积响应的幅度和符号来提供更多的区分信息，而且还大大减少了输出特征的大小。因此，我们将二阶统计池方法与浅层网络相结合，即，PCANet.此外，通过使用二阶池化，可以容易地组合其他区分性和鲁棒性的线索。因此，我们引入二进制特征差分编码方案到我们的PCANet-II，以进一步提高鲁棒性。实验证明了我们提出的PCANet-II方法的有效性和鲁棒性。
2017-09-30 cs.CV
Lacunarity Pooling Layers for Plant Image Classification using Texture Analysis
Texas A&M University（德克萨斯农工大学）
本文提出一种多尺度空隙度池化层，通过评估局部窗口内的空间变异性来增强特征提取能力，可无缝集成到任意神经网络架构中，并在植物图像分类等农业图像分析任务中展现出有效性。
2024-07-06 cs.CV
Robust Pooling through the Data Mode
RMIT University（皇家墨尔本理工大学）；University College London（伦敦大学学院）
由于点云数据中经常会出现噪声和离群点，因此从点云数据中进行学习的任务一直是具有挑战性的。这种数据不准确会显著影响最先进的深度学习网络的性能及其对对象进行分类或分割的能力。虽然有一些强大的深度学习方法，但对于实时应用程序来说，它们在计算上过于昂贵。本文提出了一种深度学习解决方案，其中包括一个新的鲁棒池化层，该层大大增强了网络的鲁棒性，并且比最先进的方法执行得更快。所提出的池化层使用两种方法RANSAC和直方图来查找模式/聚类的数据，因为聚类指示模型。我们将池化层测试到基于点和基于图的神经网络等框架中，测试结果表明，与鲁棒的最先进方法相比，池化层具有更强的鲁棒性。
2021-06-21 cs.CV
Statistically Motivated Second Order Pooling
EPFL（洛桑联邦理工学院）
二阶合并，又名~双线性池，已经证明对于基于深度学习的视觉识别是有效的。然而，由此产生的二阶网络产生的最终表示比标准的一阶网络大几个数量级，这使得它们的内存密集型和部署繁琐。在这里，我们介绍了一个通用的，参数化的压缩策略，可以产生更紧凑的表示比现有的压缩技术，但优于压缩和未压缩的二阶模型。我们的方法的动机是对网络激活的统计分析，依赖于导致高斯分布最终表示的操作，这是一阶深度网络固有的。正如我们的实验所证明的那样，这使我们在几个基准识别数据集上的表现优于最先进的一阶和二阶模型。
2018-07-16 cs.CV
CSSegNet: Fine-Grained Cardiac Structures Segmentation Using Dilated Pyramid Pooling in U-net
University of Michigan – Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University（上海交通大学密歇根学院）
心脏结构分割在医学分析过程中起着重要的作用。图像的边界模糊问题一直限制着分割的性能。为了解决这个难题，我们提出了一种新的网络结构，在网络的编码和解码阶段之间的跳跃连接中嵌入扩张金字塔池块。扩张金字塔池化块由具有不同视觉范围的卷积和池化操作组成。在模型中加入该模块，可以赋予模型多尺度视觉能力。结合其他技术，它包括多尺度初始特征提取和多分辨率预测聚合模块。对于骨干特征提取网络，我们参考了Xception网络的基本思想，它得益于可分离卷积。根据2017年后MICCAI-ACDC挑战阶段数据进行评估，我们提出的模型可以在左心室（LVC）腔和右心室腔（RVC）分割任务中实现最先进的性能。结果表明，我们的方法具有优势的几何（Dice系数，Hausdorff距离）和临床评价（射血分数，体积），这代表更接近的边界和更有统计学意义的分别。
2019-07-02 cs.CV stat.AP
Consumer Image Quality Prediction using Recurrent Neural Networks for Spatial Pooling
Shenzhen University（深圳大学）；Norwegian Research Center（挪威研究中心）
在过去的几年里，通过使用卷积神经网络（CNN），主观图像质量预测已经取得了有希望的结果。然而，将CNN用于高分辨率图像质量评估仍然是一个挑战，因为典型的CNN架构是针对小分辨率输入图像设计的。在这项研究中，我们提出了一个图像质量模型，试图模仿人类视觉系统（HVS）的注意力机制，通过使用递归神经网络（RNN）的空间池的特征提取从不同的空间区域（补丁）的深度基于CNN的特征提取器。实验研究，使用不同分辨率的图像从两个最近公布的图像质量数据集进行，表明所提出的方法的质量预测精度是有竞争力的基准模型代表的最先进的，所提出的方法也执行一致的同一数据集的不同分辨率版本。
2021-06-02 cs.CV
Dense U-net for super-resolution with shuffle pooling layer
Jiangnan University（江南大学）
随着计算机视觉领域深度学习技术的发展，近年来单图像超分辨率研究取得了很大进展。在这些方法中，在特征提取之前，使用单个滤波器（通常为最大池化）将高分辨率输入图像缩小到低分辨率空间。这意味着特征提取是在有偏滤波的特征空间中执行的。我们证明，这是次优的，并导致信息丢失。在这项工作中，我们提出了一种最先进的卷积神经网络方法，称为具有洗牌池的密集U网。为了实现这一点，一个修改的U-网与密集块，称为密集U-网，提出了SISR。在此基础上，设计了一种新的池化策略--洗牌池化策略，以取代稠密U网进行下规模操作。通过这样做，我们有效地用专门为每个特征图训练的更多有损下采样滤波器替换了SISR管道中的手工滤波器，同时还减少了整个SISR操作的信息丢失。此外，提出了一种结合均方误差（MSE）、结构相似性指数（SSIM）和平均梯度误差（MGE）的混合损失函数，以减少感知损失和高层信息损失。我们所提出的方法实现了优越的准确性比以前的国家的最先进的三个基准数据集：SET 14，BSD 300，ICDAR 2003。代码可在线获取。
2021-01-09 cs.CV eess.IV
MorphPool: Efficient Non-linear Pooling & Unpooling in CNNs
University of Amsterdam（阿姆斯特丹大学）
池化本质上是数学形态学领域的一种操作，最大池化是一种有限的特殊情况。MorphPooling更通用的设置极大地扩展了构建神经网络的工具集。除了池化操作之外，用于像素级预测的编码器-解码器网络也需要解池化。通常将解池化与卷积或反卷积结合起来进行上采样。然而，使用其形态学特性，可以推广和改进unpooling。在两个任务和三个大规模数据集上的广泛实验表明，形态池化和解池化在大大减少参数计数的情况下提高了预测性能。
2022-11-25 cs.CV cs.LG
An Improved Graph Pooling Network for Skeleton-Based Action Recognition
Jiangnan University（江南大学）；University of Surrey（萨里大学）
针对骨架结构阻碍现有池化策略应用的问题，提出改进图池化网络 IGPN，通过区域感知池化、跨融合和信息补充模块，在提升准确率的同时显著降低计算量。
2024-04-25 cs.CV
Fast Image Scanning with Deep Max-Pooling Convolutional Neural Networks
IDSIA（达勒·莫勒人工智能研究所）；USI-SUPSI（卢加诺大学-瑞士南部应用科学大学）；Dalle Molle Institute for Artificial Intelligence（达勒·莫勒人工智能研究所）；University of Lugano (USI)（卢加诺大学（USI））；University of Applied Sciences of Southern Switzerland (SUPSI)（瑞士南部应用科学大学（SUPSI））
深度神经网络现在擅长图像分类、检测和分割。然而，当用于通过滑动窗口扫描图像时，它们的高计算复杂性甚至可以使最强大的硬件屈服。我们展示了如何动态规划可以加速这个过程的数量级，即使最大池层。
2013-02-07 cs.AI cs.CV
Weakly Supervised Action Localization by Sparse Temporal Pooling Network
University of California（加利福尼亚大学）；Google（谷歌）；Seoul National University（首尔国立大学）
我们提出了一个弱监督的时间动作定位算法的未修剪的视频使用卷积神经网络。我们的算法从视频级别的类标签中学习，并预测人类动作的时间间隔，而不需要时间定位注释。我们设计我们的网络，以确定一个稀疏的子集的关键段与目标动作在视频中使用的注意力模块和融合的关键段通过自适应时间池。我们的损失函数是由两个术语，最大限度地减少视频级的动作分类错误，并执行稀疏的段选择。在推理时，我们提取和评分时间的建议，使用时间类激活和类不可知的注意，估计对应于目标动作的时间间隔。该算法在THUMOS 14数据集上获得了最先进的结果，在ActivityNet1.3上表现出色，即使其监督较弱。
2018-04-03 cs.CV
Rethinking pooling in graph neural networks
Aalto University（阿尔托大学）；Federal Institute of Ceará（塞阿拉联邦研究所）；University of Manchester（曼彻斯特大学）
图池是无数图神经网络（GNN）架构的核心组件。作为传统CNN的继承，大多数方法将图池化作为聚类分配问题，将规则网格中的局部补丁的思想扩展到图。尽管这种设计选择得到了广泛的遵守，但没有任何工作严格评估其对GNN成功的影响。在本文中，我们建立在代表性GNN的基础上，并引入了挑战局部保持表示需求的变体，无论是在补图上使用随机化还是聚类。引人注目的是，我们的实验表明，使用这些变体不会导致性能的任何下降。为了理解这种现象，我们研究了卷积层和后续池化层之间的相互作用。我们表明，卷积发挥主导作用的学习表示。与普遍的看法相反，本地池并不负责GNN在相关和广泛使用的基准上的成功。
2020-10-22 cs.AI cs.CV cs.LG
