距离度量学习的协同表示分类器
计算机视觉与模式识别
2021-10-04 v3
摘要
任何通用的深度机器学习算法本质上都是一次函数拟合过程，网络通过最小化某个代价函数来调整其权重和参数，以学习具有判别性的特征。尽管网络试图学习最优特征空间，但它很少尝试在代价函数中学习最优距离度量，因而错失了一个额外的抽象层。我们提出了一种简单有效的方法来实现这一点：以端到端的方式，在协同损失函数中学习通用的马氏距离，同时以任意标准卷积网络作为特征学习器。所提出的方法 DML-CRC 使用 VGG-19 深度网络，在基准细粒度分类数据集 CUB Birds、Oxford Flowers 和 Oxford-IIIT Pets 上取得了 SOTA 性能。该方法与网络无关，可用于任何类似的分类任务。
引用
@article{arxiv.1905.01168,
title = {Distance Metric Learned Collaborative Representation Classifier},
author = {Tapabrata Chakraborti and Brendan McCane and Steven Mills and Umapada Pal},
journal= {arXiv preprint arXiv:1905.01168},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1903.09123