DeepGUM：基于高斯-均匀混合模型的深度鲁棒回归学习
计算机视觉与模式识别
2018-08-29 v1
摘要
在本文中，我们解决如何鲁棒地训练用于回归的卷积网络（即深度鲁棒回归）这一问题。传统上，深度回归采用 L2 损失函数，已知其对离群点敏感，即那些远离大多数训练样本异常距离或对应错误标注目标的样本。这意味着在反向传播过程中，离群点可能因其梯度幅值较高而偏置训练过程。本文中，我们提出 DeepGUM：一种借助高斯-均匀混合模型而对离群点鲁棒的深度回归模型。我们推导了一种优化算法，该算法在使用期望最大化无监督检测离群点与使用随机梯度下降有监督训练清洗后样本之间交替。DeepGUM 能够适应持续演化的离群点分布，避免手动对训练集中离群点比例施加任何阈值。在四个不同任务（面部与时尚关键点检测、年龄与头部姿态估计）上的大量实验评估使我们得出结论：我们的新颖鲁棒技术在各类噪声存在下提供可靠性，并对高比例离群点提供防护。
引用
@article{arxiv.1808.09211,
title = {DeepGUM: Learning Deep Robust Regression with a Gaussian-Uniform Mixture Model},
author = {Stéphane Lathuilière and Pablo Mesejo and Xavier Alameda-Pineda and Radu Horaud},
journal= {arXiv preprint arXiv:1808.09211},
year = {2018}
}
备注
accepted at ECCV 2018