通过在第一卷积层最大化分离指数增强 CNN 的学习
机器学习
2022-01-17 v1 计算机视觉与模式识别
摘要
本文提出了一种基于分离指数概念的直接增强学习算法，用于卷积神经网络。首先，解释了 SI 作为一种有监督复杂性度量在改善 CNN 分类问题学习中的用法。然后，提出了一种学习策略：通过最大化 SI 来优化 CNN 的第一层，并通过反向传播算法训练其余层以学习后续层。为了在第一层最大化 SI，利用拟最小二乘误差技术优化了排序损失的一种变体。通过将该学习策略应用于若干已知的 CNN 和数据集，证明了其在几乎所有情况下的增强效果。
引用
@article{arxiv.2201.05217,
title = {Learning Enhancement of CNNs via Separation Index Maximizing at the First Convolutional Layer},
author = {Ali Karimi and Ahmad Kalhor},
journal= {arXiv preprint arXiv:2201.05217},
year = {2022}
}