基于潜在深度平衡规范器的局部尺度等变性

尺度变化是计算机视觉中的一个根本性挑战。同一类别的对象可以有不同的尺寸，并且它们的感知尺寸会受到与相机距离的影响。这些变化是对象局部的，即同一图像中不同对象的大小可能以不同的方式变化。为了有效地处理尺度变化，我们提出了一种深度均衡规范器 (DEC) 来改进模型的局部尺度等变性。DEC 可以轻松地集成到现有的网络架构中，并可以应用于预训练模型。值得注意的是，我们在具有竞争力的 ImageNet 基准上证明，DEC 改进了 ViT、DeiT、Swin 和 BEiT 这四个流行预训练深度网络的模型性能和局部尺度一致性。我们的代码可在 https://github.com/ashiq24/local-scale-equivariance 获取。