CUNet：一种用于图像分类的紧凑无监督网络
计算机视觉与模式识别
2016-07-07 v1
摘要
本文中，我们提出一种称为CUNet（紧凑无监督网络）的紧凑网络以应对图像分类挑战。不同于传统卷积神经网络通过耗时的随机梯度下降学习滤波器，CUNet利用简单的K-means从多样化图像块中学习滤波器组，这显著避免了对稀缺标注训练图像的需求，降低了训练消耗，并保持了高判别能力。此外，我们提出一种考虑相邻神经元不同权重值的称为加权池化（weighted pooling）的新池化方法，有助于提升对小图像畸变的鲁棒性。在输出层，CUNet集成最后隐藏层中获得的特征图，并直接在非重叠块中计算直方图。为降低特征冗余，我们对相邻块实施最大池化操作以选择最具竞争力的特征。通过在CIFAR-10、STL-10、MNIST和Caltech101基准数据集上的综合实验，证明了CUNet的SOTA分类性能。
引用
@article{arxiv.1607.01577,
title = {CUNet: A Compact Unsupervised Network for Image Classification},
author = {Le Dong and Ling He and Gaipeng Kong and Qianni Zhang and Xiaochun Cao and Ebroul Izquierdo},
journal= {arXiv preprint arXiv:1607.01577},
year = {2016}
}