تفاوت کانالوشن atrous با pooling

Question

سلام عرض ادب
دوستان مزایا و معایب کانالوشن a trous نسبت به pooling چیست ؟
مزایایی که بنظرم دارد :
۱- دقت کار میره بالا بخصوص برای باکس ها در دتکشن
عیب:
۱- تعداد پارامترها زیاد میشود
۲- سرعت کار کاهش میباید

Answer 1

سلام و درود
تا جایی که بنده اطلاع دارم atrous_conv و pooling دو موضوع جدا هستند.
atrous_convolution‌ همون عمل convolution هستش که بین هر دو تا وزن در فیلتر یک (یا چند تا) صفر گذاشته شده است. در واقع تعداد پارامتر ها در convolution‌ و atrous_convolution با کرنل سایز یکسان (مثلا 3x3) با هم برابر هستش ولی چون receptive_field گسترده تری داره میتونه اطلاعات global و یا context رو بیشتر جمع کنه. و اینجوریه که دقت کار بالاتر میره.
pooling نمتونه کار و هدف اصلی طراحی atrous_conv‌ که جمع کردن اطلاعات global هستش رو انجام بده و فقط ابعاد spatial لایه رو کاهش میده.

Comments

ممنون
حالا سوالم اینکه وقتی تعداد پارامترها اون دوتا کانالوشن یکی هستند و اینکه اتراوس receptive_field  گسترده تری دارد چرا همه جا از این کانالوشن استفاده نمیکنند ؟

---

اشتباه می کنند استفاده نمی کنند :ی
ممکنه تو یکسری تسک ها اطلاعات context مهم نباشه.
معمولا تو تسک هایی که ورودی شامل چندین شی هستش که به هم از لحاظ محتوایی مربوطند استفاده میشه. بطور واضح تر مثل تسک قطعه بندی تصویر. حالتی رو در نظر بگیرید که شی ای در تصویر هستش وشما اون شی رو از بقیه تصویر جدا کنید نمیتونید دقیقا بگید چه شی ای هستش (ممکنه بین دو یا سه شی شک کنید که چی هستش) ولی وقتی کل تصویر رو که می بیندی میتونید دقیق تر بگید اون شی چی هستش. در این مثال شما از اطلاعات context‌ برای کلاس بندی شی مورد نظر استفاده کردید.

---

در واقع برای سگمنتیشن و دیتکشن استفاده میشه
و یه سوال : اینکه در این تسک ها ابتدا فیچر اکسترکتور داریم و سپس دتکتور حالا این لایه رو برای قسمت دتکتور اضافی میکنند یا اینکه با بعضی از لایه های کانالوشن معمولی فیچراکسترکتور جایگزین میکنند ؟

---

معمولا از لایه های atrous-convolution بعد از چند لایه vanila-convolution استفاده میکنند. شاید دلیلش این باشه که با استفاده از چند لایه  vanila-convolution‌ اجزای تصویر بیرون کشیده شدن و استفاده از atrous-convolution  برای بیرون کشیدن ارتباط بین این اجزا مفید خواهد بود.