决策森林、卷积网络及介于两者之间的模型
计算机视觉与模式识别
2016-03-04 v1 人工智能
摘要
本文研究了两种最先进分类器之间的联系：决策森林（包括决策丛林）与卷积神经网络（CNN）。决策森林因其条件计算特性（计算仅限于树的很小区域，即单个分支上的节点）而计算高效。CNN 凭借其表示学习能力达到了最先进的准确率。我们系统性地分析了如何将条件计算与表示学习相融合，从而实现一系列具有不同准确率-效率比的混合模型。我们将这一新混合模型家族称为条件网络（conditional networks）。条件网络可被视为：i) 增强了数据变换算子的决策树，或 ii) 具有块对角稀疏权重矩阵和显式数据路由函数的 CNN。实验验证在 CIFAR 和 Imagenet 数据集上的图像分类常见任务中进行。与最先进的 CNN 相比，我们的混合模型以极少的计算成本和少得多的参数数量实现了相同的准确率。
引用
@article{arxiv.1603.01250,
title = {Decision Forests, Convolutional Networks and the Models in-Between},
author = {Yani Ioannou and Duncan Robertson and Darko Zikic and Peter Kontschieder and Jamie Shotton and Matthew Brown and Antonio Criminisi},
journal= {arXiv preprint arXiv:1603.01250},
year = {2016}
}
备注
Microsoft Research Technical Report