用于图像分类的深度核映射网络端到端训练
计算机视觉与模式识别
2020-06-29 v1
摘要
深度核映射网络在包括图像标注在内的多种分类问题中展现出优异性能。其通用方法在于聚合若干层奇异值分解（SVD）——将数据从输入空间映射至高维空间——同时保留底层核的相似性。然而这些深度映射网络的潜力尚未被充分发掘，因其原始设定主要关注核的逼近质量而忽略其判别力。本文中，我们引入一种新颖的“端到端”深度核映射学习设计，以平衡核的逼近质量与其判别力。我们的方法分两步进行；首先，应用逐层 SVD 以构建初始深度核映射逼近，随后采用“端到端”监督学习在保持其效率的同时进一步增强其判别力。在具挑战性的 ImageCLEF 标注基准上开展的广泛实验表明，相较于不同相关方法，该两步过程具有高效率与优越性。
引用
@article{arxiv.2006.15088,
title = {End-to-end training of deep kernel map networks for image classification},
author = {Mingyuan Jiu and Hichem Sahbi},
journal= {arXiv preprint arXiv:2006.15088},
year = {2020}
}