神经相似性学习
机器学习
2019-12-09 v3 计算机视觉与模式识别
机器学习
摘要
基于内积的卷积是卷积神经网络（CNNs）的基石，实现了视觉表示的端到端学习。通过将内积推广为双线性矩阵，我们提出了神经相似性，作为一种用于 CNNs 的可学习参数化相似性度量。神经相似性自然地推广了卷积并增强了灵活性。此外，我们考虑神经相似性学习（NSL），以便从训练数据中自适应地学习神经相似性。具体而言，我们提出了两种不同的神经相似性学习方式：静态 NSL 和动态 NSL。有趣的是，动态神经相似性使 CNN 成为动态推理网络。通过对双线性矩阵进行正则化，NSL 可被视为同时学习核的形状和相似性度量。我们进一步从理论角度论证了 NSL 的有效性。最重要的是，NSL 在视觉识别和少样本学习中显示出令人瞩目的性能，验证了 NSL 优于基于内积的卷积对应物。
引用
@article{arxiv.1910.13003,
title = {Neural Similarity Learning},
author = {Weiyang Liu and Zhen Liu and James M. Rehg and Le Song},
journal= {arXiv preprint arXiv:1910.13003},
year = {2019}
}
备注
NeurIPS 2019 (v3)