利用层次化语言标签学习深度神经网络中的层次化视觉表征
计算机视觉与模式识别
2018-05-22 v1
摘要
现代卷积神经网络（CNNs）能够在特定任务上达到人类水平的物体分类准确率，并在解释复杂人类视觉表征方面优于竞争模型。然而，这些网络所面临的分类问题与人类不同：这些网络的准确性通过其识别每幅图像单一标签的能力来评估。这些标签常任意切分自然心理分类法（例如，狗按品种区分，却从不被共同归为“狗”），并偏置所得表征。相比之下，儿童常听到用“狗”和“达尔马提亚犬”描述同一刺激，从而帮助将感知上相异的物体（如品种）归入共同心理类别。本工作中，我们为每幅图像训练具有对应不同抽象层次多标签的CNN分类器，并利用该框架复现人类泛化行为中的经典模式。
引用
@article{arxiv.1805.07647,
title = {Learning Hierarchical Visual Representations in Deep Neural Networks Using Hierarchical Linguistic Labels},
author = {Joshua C. Peterson and Paul Soulos and Aida Nematzadeh and Thomas L. Griffiths},
journal= {arXiv preprint arXiv:1805.07647},
year = {2018}
}
备注
6 pages, 4 figures, 1 table. Accepted as a paper to the 40th Annual Meeting of the Cognitive Science Society (CogSci 2018)