面向基于条件矩匹配差异的图像分类的学习核方法
计算机视觉与模式识别
2020-08-25 v1
摘要
条件最大均值差异（CMMD）可借助非线性核函数刻画条件分布间的差异，因此已成功用于模式分类。然而，CMMD在复杂分布上表现不佳，尤其当核函数无法正确表征类内相似度与类间相似度之差时。本文提出一种新的核学习方法来提升CMMD的判别性能。该方法可基于深度网络特征迭代操作，故缩写为KLN。利用CMMD损失与自编码器（AE）学习一个单射函数。通过考虑复合核（即该单射函数与特征核的组合），增强了CMMD对数据类别描述的有效性。KLN可同时学习更具表达力的核与标签预测分布，从而可用于提升监督与半监督学习场景下的分类性能。特别地，基于核的相似度在深度网络特征上迭代学习，算法可以端到端方式实现。在包括MNIST、SVHN、CIFAR-10与CIFAR-100的四个基准数据集上进行了充分实验。结果表明KLN取得了最先进的分类性能。
引用
@article{arxiv.2008.10165,
title = {Learning Kernel for Conditional Moment-Matching Discrepancy-based Image Classification},
author = {Chuan-Xian Ren and Pengfei Ge and Dao-Qing Dai and Hong Yan},
journal= {arXiv preprint arXiv:2008.10165},
year = {2020}
}