训练样本有限的谐波网络
计算机视觉与模式识别
2019-07-04 v1 机器学习
摘要
卷积神经网络（CNNs）如今在图像处理中非常流行。CNNs 允许在（主要是）监督机器学习背景下学习最优滤波器。然而这通常需要大量标注训练数据来估计滤波器参数。已部署替代策略以减少待学习的参数和/或滤波器数量，从而降低过拟合。在回归预设滤波器的背景下，我们在此提出一种计算高效的谐波块，其在 CNNs 中使用离散余弦变换（DCT）滤波器。在这项工作中，我们考察了谐波网络在训练数据有限场景下的性能。我们通过实验验证，其性能可与使用小波作为预设滤波器的散射网络相媲美。
引用
@article{arxiv.1905.00135,
title = {Harmonic Networks with Limited Training Samples},
author = {Matej Ulicny and Vladimir A. Krylov and Rozenn Dahyot},
journal= {arXiv preprint arXiv:1905.00135},
year = {2019}
}