神经网络中Fisher向量的反向传播训练
计算机视觉与模式识别
2017-02-09 v1
摘要
Fisher向量（FV）编码一组多个局部描述子（如SIFT特征）的高阶统计量。它们在结合浅层学习架构的视觉识别任务中已展现出良好性能。当前在深度架构中使用FV作为特征描述子的方法假定所有原始输入特征都是静态的。我们提出一种框架，以传统神经网络的风格联合学习原始特征的表示、FV参数以及分类器参数。我们的概念验证实现在多GPU设置下，相较于默认SVM设置，提升了FV在Pascal VOC 2007挑战赛上的性能。我们证明FV可嵌入神经网络中任意位置，允许通过反向传播进行端到端训练。
引用
@article{arxiv.1702.02549,
title = {Backpropagation Training for Fisher Vectors within Neural Networks},
author = {Patrick Wieschollek and Fabian Groh and Hendrik P. A. Lensch},
journal= {arXiv preprint arXiv:1702.02549},
year = {2017}
}