几何神经短语池化：建模神经元的空间共现
计算机视觉与模式识别
2016-07-25 v1
摘要
深度卷积神经网络（CNNs）在最先进的视觉识别中发挥着重要作用。本文聚焦于建模神经元响应的空间共现，这在以往工作中较少被研究。为此，我们将隐藏层中的神经元视为神经词，并在其上构建一组几何神经短语。将神经词分组为神经短语的思想借鉴自视觉词袋（BoVW）模型。接下来，提出几何神经短语池化（GNPP）算法以高效编码这些神经短语。GNPP作为一种新型隐藏层，惩罚卷积后孤立的神经元响应，并且可以以极小的额外计算开销插入到CNN模型中。实验结果表明，GNPP在图像分类中带来了显著且一致的准确率提升。
引用
@article{arxiv.1607.06514,
title = {Geometric Neural Phrase Pooling: Modeling the Spatial Co-occurrence of Neurons},
author = {Lingxi Xie and Qi Tian and John Flynn and Jingdong Wang and Alan Yuille},
journal= {arXiv preprint arXiv:1607.06514},
year = {2016}
}
备注
To appear, in ECCV 2016 (18 pages, 4 figures)