用于视觉识别的生成-判别变分模型
机器学习
2017-06-09 v1
摘要
从使用手工设计特征的浅层分类器到端到端可训练的深度学习模型的范式转变，在有监督学习任务上已展现出显著改进。尽管深度神经网络 (DNN) 展现出巨大潜力，但如何在训练过程中缓解过拟合一直是备受关注的研究课题。在本文中，我们提出了一种用于视觉分类的生成-判别变分模型 (GDVM)，其中我们引入了一个从输入推断出的潜变量，以展现面向预测的生成能力。换言之，我们的 GDVM 将有监督学习任务转化为生成学习过程，并联合利用数据判别来改进分类。在实验中，我们考虑了多类分类、多标签分类和零样本学习任务。我们表明，我们的 GDVM 相较于基线方法或最近的生成式 DNN 模型均表现出优势。
引用
@article{arxiv.1706.02295,
title = {Generative-Discriminative Variational Model for Visual Recognition},
author = {Chih-Kuan Yeh and Yao-Hung Hubert Tsai and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:1706.02295},
year = {2017}
}