面向纹理分类的大间隔表示学习
计算机视觉与模式识别
2022-06-20 v1 机器学习
摘要
本文提出了一种结合卷积层(CLs)与大间隔度量学习的新方法,用于在小型数据集上训练有监督模型以进行纹理分类。该方法的核心是一个损失函数,用于计算感兴趣样本与支持向量之间的距离。其目标是迭代更新CLs的权重,以学习类间具有大间隔的表示。每次迭代产生一个由基于该表示的支持向量所表示的大间隔判别模型。与卷积神经网络(CNNs)相比,所提方法的优势有两方面。首先,由于与等效CNN相比参数数量减少,它允许使用少量数据进行表示学习。其次,由于反向传播仅考虑支持向量,其训练成本低。在纹理和组织病理图像数据集上的实验结果表明,与等效CNN相比,所提方法以更低的计算成本和更快的收敛速度达到了具有竞争力的精度。
引用
@article{arxiv.2206.08537,
title = {Large-Margin Representation Learning for Texture Classification},
author = {Jonathan de Matos and Luiz Eduardo Soares de Oliveira and Alceu de Souza Britto Junior and Alessandro Lameiras Koerich},
journal= {arXiv preprint arXiv:2206.08537},
year = {2022}
}
备注
7 pages