一. Motivatetion
跨域效果不好:在已知亮度的数据集上表现良好,在未知亮度的数据集上表现不好,泛化性能较差。
挑战:如何识别和亮度相关的通道并进行选择,并且获得泛化能力
归一化:从给定特征中提取不变的良好的良好特性,特别对于亮度分量
[ 归一化和亮度相关的特性:
1. 亮度一致性: 实例归一化可以确保每个通道的均值接近零,从而有助于提高特征图的亮度一致性。这意味着特征图的不同通道之间不会有很大的亮度差异,有助于模型更好地理解图像的亮度特性。
2. 对比度增强: 实例归一化可以确保每个通道的标准差接近一,从而有助于提高特征图的对比度。这意味着特征图的像素值将更接近归一化的均值,使得特征更加突出,提高了对图像细节的捕捉能力。
但是归一化不可避免的会造成信息丢失]
所以,必须找到和亮度变化敏感的通道进行归一化并保持其他通道不变,增强了泛化能力并保持特征的辨别能力。
信息丢失:
二. Contribution
(1)对于如何识别与亮度相关通道,作者设计了交替训练策略
(2)对于和亮度相关的通道,作者设计了Channel Selection Normalization(CSNorm)
三. Network
1、CSNorm包括两部分(1)Normalization (2)Differential Gating Module
对于Normalization:
- ICCV_Generalized Normalization Generalized Adaptation Lightnessiccv_generalized normalization generalized adaptation iccv_generalized co-alignment generalized adaptation alignment lightness generalized generalized distributed detection qualified normalization normalization标准batch normalization square layer root standardization normalization标准