学习中级特征与建模神经元选择性用于图像分类
计算机视觉与模式识别
2014-01-24 v2 机器学习
神经与进化计算
机器人学
摘要
我们现已知道中级特征可以极大地提升图像学习的性能，但如何以无监督方式高效地自动学习图像特征仍是一个开放问题。本文提出一种非常高效的中级特征学习方法（MidFea），仅涉及简单操作，如k均值聚类、卷积、池化、矢量量化和随机投影。我们解释了为何这种简单方法能生成所需特征，并认为无需花费大量时间学习低级特征提取器。此外，为进一步提升性能，我们提出在将特征输入分类器之前，在中级特征之上构建一个额外层来建模神经元选择性（NS）原理。我们证明，NS层通过自底向上的推理和自顶向下的分析来学习类别特异性神经元，从而支持对查询图像的快速推理。我们在多个公开数据库上进行了大量实验，证明我们的方法在人脸识别、性别分类、年龄估计和物体分类任务上均能达到最先进的性能。特别地，我们证明我们的方法比最近提出的一些基于稀疏编码的方法快一个数量级以上。
引用
@article{arxiv.1401.5535,
title = {Learning Mid-Level Features and Modeling Neuron Selectivity for Image Classification},
author = {Shu Kong and Zhuolin Jiang and Qiang Yang},
journal= {arXiv preprint arXiv:1401.5535},
year = {2014}
}
备注
19 pages, 14 figures