HASeparator：超平面辅助 Softmax
计算机视觉与模式识别
2020-08-11 v1 机器学习
摘要
随着计算机视觉若干挑战性任务趋于需要级联方案与模态融合，卷积神经网络（CNNs）的高效特征学习已成为愈发关键的属性。特征学习旨在使 CNN 模型能够提取嵌入，展现不同类间的高判别性以及类内紧凑性。本文引入一种新颖的具有分隔器（separator）的方法，其聚焦于基于超平面的类间有效隔离，而非常见的类中心分离方案。相应地，提出了一种创新的分隔器，即超平面辅助 Softmax 分隔器（HASeparator），在流行图像分类基准上的评估表明其具有更优的判别能力。
关键词
引用
@article{arxiv.2008.03539,
title = {HASeparator: Hyperplane-Assisted Softmax},
author = {Ioannis Kansizoglou and Nicholas Santavas and Loukas Bampis and Antonios Gasteratos},
journal= {arXiv preprint arXiv:2008.03539},
year = {2020}
}
备注
Submitted to IEEE ICMLA 2020