基于中心卷积受限玻尔兹曼机的场景识别特征提取新方法
计算机视觉与模式识别
2015-06-25 v1
摘要
场景识别是计算机视觉中的一个重要研究课题，而特征提取是目标识别的关键步骤。尽管经典的受限玻尔兹曼机（RBM）能够高效表示复杂数据，但由于其计算复杂性，难以处理大尺寸图像。本文提出一种新颖的特征提取方法，称为中心卷积受限玻尔兹曼机（CCRBM），用于场景识别。所提模型是通过在学习策略中引入中心因子以减少不稳定性来源来改进的卷积受限玻尔兹曼机（CRBM）。首先，使用中心因子重新定义网络的可见单元。然后，利用分布函数通过修改的能量函数学习隐藏单元，并使用学习到的隐藏单元重建可见单元。为了获得更好的生成能力，中心卷积深度信念网络（CCDBN）以贪婪逐层方式进行训练。最后，结合softmax回归用于场景识别。使用自然场景、MIT室内场景和Caltech 101数据集的大量实验评估表明，所提方法在稳定性、泛化性和判别性方面优于其他同类方法。CCDBN模型凭借卷积特性更适用于自然场景图像识别。
引用
@article{arxiv.1506.07257,
title = {A Novel Feature Extraction Method for Scene Recognition Based on Centered Convolutional Restricted Boltzmann Machines},
author = {Jingyu Gao and Jinfu Yang and Guanghui Wang and Mingai Li},
journal= {arXiv preprint arXiv:1506.07257},
year = {2015}
}
备注
22 pages, 11 figures