深度神经网络激活的 Fisher 核
计算机视觉与模式识别
2015-06-12 v2 机器学习
神经与进化计算
摘要
与基于低级局部描述符的图像表示相比，卷积神经网络 (CNNs) 的深度神经网络激活在中级表示方面更为丰富，但在几何不变性属性方面较差。在本文中，我们提出了一个结合这两种方法的简单框架，以实现更好的图像表示。为了利用这两种表示的优势，我们提出了一种有效的方法，从预训练的 CNN 中提取适量的多尺度密集局部激活。随后，我们通过 Fisher 核框架聚合这些激活，该框架经过修改，加入了简单的逐尺度归一化，使其适用于 CNN 激活。用我们的表示替代直接使用单个激活向量展示了显著的性能提升：在 MIT Indoor 67 数据集上准确率 (Acc.) 提升了 +17.76，在 PASCAL VOC 2007 数据集上平均精度均值 (mAP) 提升了 +7.18。结果表明，我们的提案可用作视觉识别任务中获得更好性能的主要图像表示。
引用
@article{arxiv.1412.1628,
title = {Fisher Kernel for Deep Neural Activations},
author = {Donggeun Yoo and Sunggyun Park and Joon-Young Lee and In So Kweon},
journal= {arXiv preprint arXiv:1412.1628},
year = {2015}
}