在训练投影空间中利用特征提取进行深度结构学习
图像与视频处理
2022-02-01 v3 机器学习
摘要
在过去的十年机器学习发展中，卷积神经网络在丰富感知数据和高维数据的特征提取方面取得了最引人注目的成功。虽然通过卷积学习数据表示已在各种深度学习库中得到了充分研究和高效实现，但人们常常面临内存容量有限和训练数据不足的问题，尤其是对于高维和大规模任务。为了克服这些限制，我们引入了一种使用自适应且数据依赖的Radon变换（线性数据投影，也称为x射线投影）的网络架构，以在较低维空间中通过卷积实现特征提取。由此产生的框架名为PiNet，可以端到端训练，并在体数据分割任务上展现出有前景的性能。我们在公开数据集上测试所提出的模型，表明我们的方法仅使用一小部分参数即可取得可比的结果。对内存使用和处理时间的考察证实了PiNet相对于其他分割模型具有更优的效率。
引用
@article{arxiv.2009.00378,
title = {Deep Structure Learning using Feature Extraction in Trained Projection Space},
author = {Christoph Angermann and Markus Haltmeier},
journal= {arXiv preprint arXiv:2009.00378},
year = {2022}
}