CURL：用于图像分类的协同训练无监督表示学习
机器学习
2015-09-14 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种利用无监督表示学习和协同训练的半监督图像分类策略。该策略称为 CURL（协同训练无监督表示学习，Co-trained Unsupervised Representation Learning），它在数据的两种不同视图上迭代地构建两个分类器。这两种视图对应于从有标签和无标签数据中学习到的不同表示，并且在使用融合方案组合图像特征时有所区别。为评估我们所提方法的性能，我们在广泛使用的场景与物体识别数据集上进行了若干实验。我们考虑了三种场景（归纳式、直推式和自教式学习），它们在利用无标签数据的策略上有所不同。作为图像特征，我们采用了 GIST、PHOG 和 LBP 的组合，以及从卷积神经网络提取的特征。此外，研究了 CURL 的两种实现：一种使用集成投影作为无监督表示学习并与逻辑回归结合，另一种基于 LapSVM。结果表明，CURL 明显优于现有最先进的监督和半监督学习方法。
引用
@article{arxiv.1505.08098,
title = {CURL: Co-trained Unsupervised Representation Learning for Image Classification},
author = {Simone Bianco and Gianluigi Ciocca and Claudio Cusano},
journal= {arXiv preprint arXiv:1505.08098},
year = {2015}
}
备注
Submitted