学习所得与手工设计的特征表示在 3D 聚合中的对比
计算机视觉与模式识别
2013-12-24 v1
摘要
对于图像识别和标注任务，近期结果表明，依赖手动指定特征表示的机器学习方法可能被基于数据自动推导特征表示的方法所超越。然而，对于涉及 3D 对象分析的问题，如网格分割、形状检索或神经元片段聚合，仍然强烈依赖手工设计的特征描述符。本文在 3D 神经元片段聚合的背景下，评估了大量手工设计的 3D 特征描述符，以及使用端到端和无监督学习技术从原始数据中学习到的特征。通过将无监督学习技术与一种新颖的动态池化方案相结合，我们展示了纯基于学习的方法首次具备了与手工设计的 3D 形状描述符相竞争的能力。我们研究了数据增强策略以大幅增加训练集规模，并展示了结合学习所得特征和手工设计特征如何实现最高准确率。
引用
@article{arxiv.1312.6159,
title = {Learned versus Hand-Designed Feature Representations for 3d Agglomeration},
author = {John A. Bogovic and Gary B. Huang and Viren Jain},
journal= {arXiv preprint arXiv:1312.6159},
year = {2013}
}