PCANet-II：当 PCANet 遇上二阶池化
计算机视觉与模式识别
2017-10-03 v1
摘要
PCANet 作为一种引人注目的浅层网络，采用直方图表示进行特征池化。然而，这种池化方法存在三个主要问题。首先，基于直方图的池化方法对特征图进行二值化，导致不可避免的判别信息丢失。其次，难以将其他视觉线索有效结合为紧凑表示，因为各种视觉线索的简单拼接会导致特征表示效率低下。第三，基于直方图的输出维度随所使用的特征图数量呈指数增长。为了克服这些问题，我们提出了一种名为 PCANet-II 的新型浅层网络模型。与基于直方图的输出相比，二阶池化不仅通过保留卷积响应的幅度和符号提供了更多判别信息，而且显著减小了输出特征的尺寸。因此，我们将二阶统计池化方法与浅层网络（即 PCANet）相结合。此外，使用二阶池化很容易结合其他判别性和鲁棒的线索。因此，我们将二值特征差异编码方案引入 PCANet-II 以进一步提高鲁棒性。实验证明了我们提出的 PCANet-II 方法的有效性和鲁棒性。
引用
@article{arxiv.1710.00166,
title = {PCANet-II: When PCANet Meets the Second Order Pooling},
author = {Lei Tian and Xiaopeng Hong and Guoying Zhao and Chunxiao Fan and Yue Ming and Matti Pietikäinen},
journal= {arXiv preprint arXiv:1710.00166},
year = {2017}
}