基于赫布学习在稀缺数据下用于基于内容图像检索的深度特征
计算机视觉与模式识别
2022-05-19 v1 机器学习
神经与进化计算
摘要
从深度神经网络（DNNs）提取的特征在基于内容图像检索（CBIR）中已被证明非常有效。在近期工作中，受生物学启发的赫布（Hebbian）学习算法在DNN训练上展现出前景。在本文中，我们研究了此类算法在开发CBIR任务特征提取器时的性能。具体而言，我们考虑一种两步半监督学习策略：首先，在图像数据集上使用赫布学习进行无监督预训练；其次，使用有监督随机梯度下降（SGD）训练对网络进行微调。对于无监督预训练阶段，我们探索非线性赫布主成分分析（HPCA）学习规则。对于有监督微调阶段，我们假设样本高效场景，即标记样本数量仅为整个数据集的一小部分。我们在CIFAR10和CIFAR100数据集上进行的实验分析表明，当可用标记样本较少时，我们的赫布方法相比多种替代方法提供了显著改进。
引用
@article{arxiv.2205.08935,
title = {Deep Features for CBIR with Scarce Data using Hebbian Learning},
author = {Gabriele Lagani and Davide Bacciu and Claudio Gallicchio and Fabrizio Falchi and Claudio Gennaro and Giuseppe Amato},
journal= {arXiv preprint arXiv:2205.08935},
year = {2022}
}
备注
6 Pages, 1 Figure, 2 Tables, Submitted at CBMI 2022