分类器的神经代数

世界本质上是组合性的，因此很自然地将视觉识别视为对基本视觉基元的识别，这些基元按照明确定义的规则进行组合。这一策略使我们能够从简单视觉基元识别出未见过的复杂概念。然而，当前视觉识别的趋势遵循一种数据贪婪的方法，即需要海量数据来学习任意所需视觉概念的模型。本文中，我们基于组合性原理构建了一种用于组合复杂视觉概念分类器的“代数”。为此，我们学习神经网络模块来对简单视觉分类器执行布尔代数运算。由于这些模块构成了一个完备函数集，任何定义为基元布尔表达式的复杂视觉概念的分类器都可以通过递归应用所学模块获得，即便我们没有任何训练样本。正如我们的实验所示，使用这样一种框架，我们可以组合出在两大知名视觉识别基准上优于标准基线的复杂视觉概念分类器。最后，我们对我们的方法及其性质给出了定性分析。