为深度卷积神经网络学习词袋特征池化
计算机视觉与模式识别
2017-07-27 v2
摘要
卷积神经网络 (CNN) 是成熟的模型，能够在各种计算机视觉任务中实现最先进的分类精度。然而，它们正变得越来越大，使用数百万个参数，同时仅限于处理固定尺寸的图像。本文提出了一种基于量化的方法，其灵感来源于著名的词袋 (Bag-of-Features) 模型，以克服这些限制。所提出的方法称为卷积 BoF (CBoF)，使用 RBF 神经元对从卷积层提取的信息进行量化，能够原生地对各种尺寸的图像进行分类，并显著减少网络中的参数数量。与其他全局池化算子和 CNN 压缩技术相比，所提出的方法利用了一个可训练的池化层，该层是端到端可微的，允许网络使用常规反向传播进行训练，并实现比竞争方法更强的分布偏移不变性。通过三个图像数据集，证明了所提出的方法在减少网络参数和提高分类精度方面优于其他最先进技术的能力。
引用
@article{arxiv.1707.08105,
title = {Learning Bag-of-Features Pooling for Deep Convolutional Neural Networks},
author = {Nikolaos Passalis and Anastasios Tefas},
journal= {arXiv preprint arXiv:1707.08105},
year = {2017}
}
备注
Accepted at ICCV 2017