利用反向传播学习局部特征聚合函数
机器学习
2017-06-28 v1 机器学习
摘要
本文引入一族局部特征聚合函数及一种估计其参数的新方法，使得它们能为分类（或任何可表示为代价函数最小化问题的任务）生成最优表示。为实现这一点，我们将局部特征聚合函数与分类器代价函数组合，并反向传播该代价函数的梯度以更新局部特征聚合函数的参数。在合成数据集上的实验表明，我们的方法发现的参数除了对局部特征空间建模外，还能建模与类别相关的信息。在图像和视频数据集上对各种运动和视觉描述子的进一步实验表明，我们的方法以大幅优势优于其他最先进的局部特征聚合函数，如词袋模型、费舍尔向量和 VLAD。
引用
@article{arxiv.1706.08580,
title = {Learning Local Feature Aggregation Functions with Backpropagation},
author = {Angelos Katharopoulos and Despoina Paschalidou and Christos Diou and Anastasios Delopoulos},
journal= {arXiv preprint arXiv:1706.08580},
year = {2017}
}
备注
In Proceedings of the 25th European Signal Processing Conference (EUSIPCO 2017)