基于深度学习的归纳迁移图像核
计算机视觉与模式识别
2016-02-17 v3
摘要
我们提出一种基于从非目标类迁移学习的方法，用少量训练样本对目标类图像进行分类。仅使用非目标类样本的类标签信息，我们训练一个Siamese net来估计两幅图像属于同一类的概率。经过一些后处理，Siamese net的输出可用于构成Mercer核的Gram矩阵。与支持向量机（SVM）结合，该核在无需任何微调的情况下对目标类给出了合理的分类精度。当仅使用来自目标类的少量样本对Siamese net进行部分微调时，所得分类器优于最先进水平（state-of-the-art）及其他替代方法。我们在MNIST、Dogs vs. Cats和CIFAR-10数据集上分享了此类核的类分离能力及对学习过程的见解。
引用
@article{arxiv.1512.04086,
title = {Deep Learning-Based Image Kernel for Inductive Transfer},
author = {Neeraj Kumar and Animesh Karmakar and Ranti Dev Sharma and Abhinav Mittal and Amit Sethi},
journal= {arXiv preprint arXiv:1512.04086},
year = {2016}
}