利用卷积自编码器学习最优分离的类特定子空间表示
计算机视觉与模式识别
2021-05-20 v1
摘要
在这项工作中，我们提出了一种基于卷积自编码器的新型架构，用于生成最适合分类任务的类特定子空间特征表示。假设类特定数据位于低维线性子空间中，这些子空间可能含有噪声且分离不佳，即两类之间的子空间距离（主角度）非常小。所提出的网络在编码器和解码器网络之间使用了一个新颖的类特定自表达(CSSE)层，以生成分离良好的类间子空间表示。CSSE层与编码器/解码器以这样的方式进行训练：数据在特征空间中仍位于子空间内，且最小主角度远高于输入空间中的最小主角度。为证明所提方法的有效性，我们在最先进的机器学习数据集上进行了若干实验，并观察到相对于现有基于子空间的变换学习方法，分类性能有显著提升。
引用
@article{arxiv.2105.08865,
title = {Learning optimally separated class-specific subspace representations using convolutional autoencoder},
author = {Krishan Sharma and Shikha Gupta and Renu Rameshan},
journal= {arXiv preprint arXiv:2105.08865},
year = {2021}
}