用于结构化属性预测的端到端学习势函数
计算机视觉与模式识别
2017-08-08 v1
摘要
我们提出了一种用于多属性预测的深度神经网络结构化推断方法。在属性预测中，一种常见方法是在良好的特征表示之上学习独立的分类器。然而，此类分类器假设特征条件独立，并未在推断过程中显式考虑属性间的依赖关系。我们提议将属性预测表述为条件随机场中的边缘推断。我们通过深度神经网络对势函数进行建模，并应用 sum-product 算法在前馈网络中求解近似边缘分布。我们的消息传递层通过 softplus-linear 函数实现稀疏成对势函数，该函数等价于高阶分类器，并通过端到端反向传播学习所有模型参数。使用 SUN attributes 和 CelebA 数据集的实验结果表明，结构化推断提高了属性预测性能，并可能揭示属性间隐藏的关系。
引用
@article{arxiv.1708.01892,
title = {End-to-end learning potentials for structured attribute prediction},
author = {Kota Yamaguchi and Takayuki Okatani and Takayuki Umeda and Kazuhiko Murasaki and Kyoko Sudo},
journal= {arXiv preprint arXiv:1708.01892},
year = {2017}
}