PCANet：一种简单的图像分类深度学习基线？
计算机视觉与模式识别
2015-10-28 v2 机器学习
神经与进化计算
摘要
在这项工作中，我们提出了一种非常简单的图像分类深度学习网络，它仅包含最基本的数据处理组件：级联主成分分析、二元哈希和分块直方图。在所提出的架构中，PCA用于学习多级滤波器组。随后是简单的二元哈希和分块直方图用于索引和池化。因此，该架构被命名为PCA网络（PCANet），并且可以极其简单高效地设计和学习。为了比较和更好地理解，我们还介绍并研究了PCANet的两种简单变体，即RandNet和LDANet。它们共享PCANet的拓扑结构，但其级联滤波器要么随机选择，要么从LDA学习。我们在许多基准视觉数据集上广泛测试了这些基本网络，用于不同的任务，例如用于人脸验证的LFW，用于人脸识别的MultiPIE、Extended Yale B、AR、FERET数据集，以及用于手写数字识别的MNIST。令人惊讶的是，对于所有任务，这种看似简单的PCANet模型与最先进的特征（无论是预定义的、高度手工设计的还是通过DNN精心学习的）相当。更令人惊讶的是，它在Extended Yale B、AR、FERET数据集和MNIST变体上的许多分类任务中创造了新记录。在其他公共数据集上的额外实验也证明了PCANet作为纹理分类和物体识别的简单但极具竞争力的基线的潜力。
引用
@article{arxiv.1404.3606,
title = {PCANet: A Simple Deep Learning Baseline for Image Classification?},
author = {Tsung-Han Chan and Kui Jia and Shenghua Gao and Jiwen Lu and Zinan Zeng and Yi Ma},
journal= {arXiv preprint arXiv:1404.3606},
year = {2015}
}