Class2Str：端到端隐层次学习
计算机视觉与模式识别
2018-08-22 v1 人工智能
机器学习
摘要
用于图像分类的深度神经网络通常由卷积特征提取器后接全连接分类器网络组成。预测标签与真实标签均以独热向量表示。这种表示假定所有类别同等不相似。然而，类别间存在视觉相似性，并常形成层次结构。在架构中显式学习这一隐层次可提供宝贵洞见。我们提出一种替代分类器网络的架构，称为隐层次（LH）分类器，以及一种端到端学习的 Class2Str 映射，其可发现类别的隐层次。我们表明，对于 CIFAR 和 Imagenet 数据集上一些性能最佳的架构，所提出的 LH 分类器替换与训练能以分类器部分参数数量的一小部分恢复准确率。相较于同样学习两级层次的已有工作 HDCNN，我们能够学习任意层数的层次，并在 Imagenet 分类任务上取得优于它们的准确率提升。我们还验证了在许多视觉相似的类别在所学层次下被归为一组。
引用
@article{arxiv.1808.06675,
title = {Class2Str: End to End Latent Hierarchy Learning},
author = {Soham Saha and Girish Varma and C. V. Jawahar},
journal= {arXiv preprint arXiv:1808.06675},
year = {2018}
}
备注
6 pages, ICPR 2018, Beijing