用于图像分类的深度卷积决策丛林
计算机视觉与模式识别
2018-05-21 v2
摘要
我们提出一种称为深度卷积决策丛林（CDJ）的新方法及其用于图像分类的学习算法。CDJ保持了标准卷积神经网络（CNNs）的结构，即多个全连接的多响应图层。卷积层和全连接层中的每个响应图——或节点——选择性地响应类别标签，使得每个数据样本沿着一条由这些激活节点构成的特定软路径行进。所提出的CDJ方法自动学习特征，而决策森林和丛林则需要预定义的特征集。与CNN相比，该方法嵌入了使用数据依赖判别函数的优点，能更好地处理多模态/异构数据；此外，该方法提供了更多样化的稀疏网络响应，进而可用于经济高效的分类/学习。该网络通过结合传统的softmax损失和所提出的每层熵损失进行学习。熵损失，如在决策树生长中所使用的，根据类别标签分布衡量数据激活的纯度。所提损失函数的反向传播规则源自CNN的随机梯度下降（SGD）优化。我们证明，所提方法在三个公开图像分类基准和一个面部验证数据集上优于当前最先进的方法。我们还展示了辅助数据标签（当可用时）的使用，这有助于我们的方法学习更具判别力的路由和表示，并带来分类性能的提升。
引用
@article{arxiv.1706.02003,
title = {Deep Convolutional Decision Jungle for Image Classification},
author = {Seungryul Baek and Kwang In Kim and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1706.02003},
year = {2018}
}