关于图像分类器深度学习的类内方差
计算机视觉与模式识别
2019-04-23 v2
摘要
提出了一种用于图像分类器深度学习的新技术。所学习的 CNN 模型提供了由欧氏邻近度度量的深度特征（也称为嵌入向量）更好的分离性，并且按类成员概率分类结果也无退化。后一特性可用于增强在模型使用阶段的类不同于训练阶段类的图像分类器。虽然目标类的 SoftMax 概率的 Shannon 信息通过类内方差对 mini-batch 进行了扩展，但训练网络本身通过具有代表类中心的参数的 Hadamard 层进行了扩展。与现有方案相反，这一额外的神经层使得训练算法能够对接标准随机梯度优化器，例如 AdaM 算法。此外，该方法使计算出的质心立即适应更新的嵌入向量，并最终在更少的 epoch 内获得可比的精度。
引用
@article{arxiv.1901.11186,
title = {On Intra-Class Variance for Deep Learning of Classifiers},
author = {Rafal Pilarczyk and Wladyslaw Skarbek},
journal= {arXiv preprint arXiv:1901.11186},
year = {2019}
}
备注
changed abstract, character-level errors have been fixed