一种面向卷积神经网络的开箱即用全网络嵌入方法
机器学习
2017-05-23 v1 神经与进化计算
摘要
用于特征提取的迁移学习可在训练数据极少、计算资源有限或无法调节训练所需超参数的情况下利用深度表征。以往的特征提取工作提出了基于网络单层的嵌入，而本文提出了一种全网络嵌入方法，它成功地整合了来自深度卷积神经网络所有层的卷积特征和全连接特征。为此，该嵌入方法在问题上下文中对特征进行归一化，并对其值进行离散化以减少噪声并正则化嵌入空间。重要的是，这也降低了处理所得表征的计算成本。实验表明，所提出的方法在多个图像分类任务上优于单层嵌入，同时对用于获取初始特征的预训练模型的选择更具鲁棒性。经过充分调优的解决方案与全网络嵌入在分类准确率上的性能差距也得以缩小，这使得所提出的方法成为适用于大量应用的有竞争力的解决方案。
引用
@article{arxiv.1705.07706,
title = {An Out-of-the-box Full-network Embedding for Convolutional Neural Networks},
author = {Dario Garcia-Gasulla and Armand Vilalta and Ferran Parés and Jonatan Moreno and Eduard Ayguadé and Jesus Labarta and Ulises Cortés and Toyotaro Suzumura},
journal= {arXiv preprint arXiv:1705.07706},
year = {2017}
}