学习类正则化特征用于动作识别
计算机视觉与模式识别
2020-11-13 v1 机器学习
摘要
训练深度卷积神经网络（CNN）基于这样的概念：在其后续激活中使用多个核与非线性来提取有用特征。这些核被用作通用特征提取器，与目标类别无特定对应关系。因此，提取的特征并不对应于特定类别。相似类别间的细微差异与不同类别间的巨大差异以相同方式建模。为克服 CNN 中核的类不可知使用，我们引入一种名为类正则化（Class Regularization）的新方法，对层激活执行基于类的正则化。我们证明这不仅在训练期间改善了特征搜索，还允许在特征提取过程的每个阶段对每类特征进行显式分配。我们表明，在用于动作识别的最先进 CNN 架构中使用类正则化块，在 Kinetics、UCF-101 和 HMDB-51 数据集上分别带来 1.8%、1.2% 和 1.4% 的系统性改进增益。
引用
@article{arxiv.2002.02651,
title = {Learning Class Regularized Features for Action Recognition},
author = {Alexandros Stergiou and Ronald Poppe and Remco C. Veltkamp},
journal= {arXiv preprint arXiv:2002.02651},
year = {2020}
}