Feedback-prop：部分证据下的卷积神经网络推理
计算机视觉与模式识别
2018-04-02 v2
摘要
我们提出了一种在部分证据可用时用于深度卷积神经网络(CNN)的推理过程。我们的方法包含一种基于反馈的通用传播方法(feedback-prop)，当已知一组不重叠的任意目标标签的值时，该方法能提升对另一组任意未知目标标签的预测精度。我们展示了在多标签或多任务环境下训练的现有模型无需任何重新训练或微调即可轻松利用feedback-prop。我们的feedback-prop推理过程通用、简单、可靠，并适用于不同的具有挑战性的视觉识别任务。我们提出了基于逐层迭代更新和残差迭代更新的两种feedback-prop变体。我们使用多个多任务模型进行实验，并表明feedback-prop在所有模型中都有效。我们的结果揭示了深度CNN一个此前未被报道但有趣的动态特性。我们还提出了一种相关的技术方法，在通用视觉识别任务中利用这一特性进行部分证据下的推理。
引用
@article{arxiv.1710.08049,
title = {Feedback-prop: Convolutional Neural Network Inference under Partial Evidence},
author = {Tianlu Wang and Kota Yamaguchi and Vicente Ordonez},
journal= {arXiv preprint arXiv:1710.08049},
year = {2018}
}
备注
Accepted to CVPR 2018