可学习直方图：深度神经网络的统计上下文特征
计算机视觉与模式识别
2018-10-16 v3
摘要
直方图、词袋(BoW)和费舍尔向量等统计特征在传统分类方法中常与手工设计特征配合使用，但自深度学习方法流行以来受到的关注较少。本文提出一种可学习直方图层，可在端到端训练中于深度神经网络内部学习直方图特征。该层能够反向传播(BP)误差、学习最优的直方柱中心与柱宽，并在训练中与深度网络中的其他层联合优化。通过将可学习直方图层集成到深度网络中，本文探讨了语义分割与目标检测两个视觉问题，表明所提层可良好泛化至不同应用。我们进行了深入的研究，以对该新引入的层提供见解。
引用
@article{arxiv.1804.09398,
title = {Learnable Histogram: Statistical Context Features for Deep Neural Networks},
author = {Zhe Wang and Hongsheng Li and Wanli Ouyang and Xiaogang Wang},
journal= {arXiv preprint arXiv:1804.09398},
year = {2018}
}
备注
refined some typos, ECCV 2016