用于场景图像分类的基于样例的深度判别与可共享特征学习
计算机视觉与模式识别
2015-08-24 v1
摘要
为了在图像表示中编码类相关性和特定类信息，我们提出了一种名为深度判别与可共享特征学习（DDSFL）的局部特征学习方法。DDSFL 旨在分层学习特征变换滤波器组，将原始像素图像块转化为特征。学习到的滤波器组预期将：（1）编码可变数量类别的共有视觉模式；（2）编码判别信息；（3）在不同视觉层级分层提取模式。特别地，在 DDSFL 的每个单层中，为共享相似模式的类联合学习可共享滤波器。通过强制同一类别的特征相互靠近，而不同类别的特征相互远离，来实现滤波器的判别能力。此外，我们还提出了两种样例选择方法，以迭代地选择训练数据，从而实现更高效、更有效的学习。基于实验结果，DDSFL 能够取得非常有前景的性能，并且对 SOTA 的 Caffe 特征表现出极大的互补效应。
关键词
引用
@article{arxiv.1508.05306,
title = {Exemplar Based Deep Discriminative and Shareable Feature Learning for Scene Image Classification},
author = {Zhen Zuo and Gang Wang and Bing Shuai and Lifan Zhao and Qingxiong Yang},
journal= {arXiv preprint arXiv:1508.05306},
year = {2015}
}
备注
Pattern Recognition, Elsevier, 2015