用于图像表示学习的卷积字典对学习网络
计算机视觉与模式识别
2020-01-16 v3 机器学习
图像与视频处理
机器学习
摘要
字典学习（DL）和卷积神经网络（CNN）都是基于不同机制和原理的强大图像表示学习系统，然而我们能否无缝集成它们以提升性能值得探索。为解决此问题，本文提出一种新颖的广义端到端表示学习架构，称为卷积字典对学习网络（CDPL-Net），它将 CNN 和字典对学习的学习方案集成到统一框架中。通常，CDPL-Net 的架构在表示学习模块中包括两个卷积/池化层和两个字典对学习（DPL）层。此外，它使用两个全连接层作为非线性分类模块中的多层感知机层。特别地，DPL 层可以通过最小化基于批的来自卷积/池化层的展平特征图重建误差，联合构建判别性的合成与分析表示。而且，DPL 层在分析字典上使用 l1 范数，从而可得到稀疏表示，且嵌入过程对噪声也具有鲁棒性。为加速 DPL 层的训练过程，使用了高效的随机梯度下降。在真实数据库上的大量仿真表明，我们的 CDPL-Net 能比其他最先进的方法提供更优的性能。
引用
@article{arxiv.1912.12138,
title = {Convolutional Dictionary Pair Learning Network for Image Representation Learning},
author = {Zhao Zhang and Yulin Sun and Yang Wang and Zhengjun Zha and Shuicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:1912.12138},
year = {2020}
}
备注
Accepted by the 24th European Conference on Artificial Intelligence (ECAI 2020)