利用类编码器学习判别性特征
计算机视觉与模式识别
2016-05-10 v1
摘要
深度神经网络通常从无监督预训练（例如自编码器）中受益。然而，分类器进一步需要有监督微调方法以获得良好判别性。此外，由于全连接的限制，自编码器的应用通常局限于小的、对齐良好的图像。在本文中，我们引入有监督信息提出一种新形式，即类编码器(class-encoder)，其训练目标是从另一个标签相同的样本重建该样本。类编码器旨在最小化特征空间中的类内差异，并在类尺度上学习良好的判别流形。我们将类编码器作为约束注入 softmax 以获得更好的有监督训练，并将重建扩展到特征级以解决参数规模问题和平移问题。实验表明类编码器有助于提升分类与人脸识别基准上的性能。这也可能成为人脸识别模型快速训练的一个有前景的方向。
引用
@article{arxiv.1605.02424,
title = {Learning Discriminative Features with Class Encoder},
author = {Hailin Shi and Xiangyu Zhu and Zhen Lei and Shengcai Liao and Stan Z. Li},
journal= {arXiv preprint arXiv:1605.02424},
year = {2016}
}
备注
Accepted by CVPR2016 Workshop of Robust Features for Computer Vision