基于约束代理学习的深度有序分类类别布局控制
计算机视觉与模式识别
2023-08-29 v4 人工智能
机器学习
摘要
对于深度有序分类，学习一个针对有序分类的良结构化特征空间有助于恰当地捕捉类别间的有序本质。直观上，当使用欧氏距离度量时，特征空间中理想的序数布局将是样本簇按类别顺序沿空间中的一条直线排列。然而，强制样本在特征空间中符合特定布局是一个具有挑战性的问题。为解决该问题，本文提出一种新颖的约束代理学习（CPL）方法，该方法可为每个有序类别学习一个代理，然后通过约束这些代理来调整类别的全局布局。具体而言，我们提出两种策略：硬布局约束与软布局约束。硬布局约束通过直接控制代理的生成，迫使它们被置于严格的线性布局或半圆布局（即严格有序布局的两种实例化）中实现。软布局约束通过约束代理布局应始终为每个代理产生单峰的代理到代理相似度分布（即一种松弛的有序布局）来实现。实验表明，在相同的特征提取器设置下，所提出的 CPL 方法优于以往的深度学习有序分类方法。
引用
@article{arxiv.2303.00396,
title = {Controlling Class Layout for Deep Ordinal Classification via Constrained Proxies Learning},
author = {Cong Wang and Zhiwei Jiang and Yafeng Yin and Zifeng Cheng and Shiping Ge and Qing Gu},
journal= {arXiv preprint arXiv:2303.00396},
year = {2023}
}
备注
Accepted by AAAI 2023