通过可扩展邻域成分分析改善泛化能力
计算机视觉与模式识别
2018-08-15 v1 机器学习
摘要
当前视觉识别的主要方法遵循端到端公式，将输入图像分类为预定义语义类别之一。参数化 softmax 分类器是这种具有固定类别的封闭世界的常见选择，尤其在训练期间有大量标注数据时。然而，对于开放集场景，当遇到仅含极少样本的新类别时，学习可泛化的参数化分类器便成问题。我们采用非参数方法进行视觉识别，通过优化特征嵌入而非参数化分类器。我们利用深度神经网络学习在语义空间中保持邻域结构的视觉特征，基于邻域成分分析（NCA）准则。受其计算瓶颈限制，我们设计了一种机制，使用增强内存来扩展 NCA 以用于大型数据集和极深网络。我们的实验不仅为此种简单非参数方法在 ImageNet 分类上带来显著性能，更重要的是为子类别发现和少样本识别提供了更具泛化性的特征表示。
引用
@article{arxiv.1808.04699,
title = {Improving Generalization via Scalable Neighborhood Component Analysis},
author = {Zhirong Wu and Alexei A. Efros and Stella X. Yu},
journal= {arXiv preprint arXiv:1808.04699},
year = {2018}
}
备注
To appear in ECCV 2018