Pillar Networks++：分布式非参数深度与宽网络
计算机视觉与模式识别
2017-11-21 v1 神经与进化计算
统计计算
机器学习
摘要
在近期工作中，已证明结合多核支持向量机（SVM）可在动作识别数据集（HMDB-51数据集）上取得接近最优的性能。该结果比同时使用手工特征和深度卷积特征提取器的框架低0.4%。在本文中，我们证明将分布式高斯过程与多流深度卷积神经网络（CNN）相结合，可以减轻神经网络对手工特征的依赖。与先前工作不同，我们将每个深度卷积神经网络视为一个专家，其中各独立预测（及其各自的不确定性）在专家乘积（PoE）框架下进行组合。
引用
@article{arxiv.1708.06250,
title = {Pillar Networks++: Distributed non-parametric deep and wide networks},
author = {Biswa Sengupta and Yu Qian},
journal= {arXiv preprint arXiv:1708.06250},
year = {2017}
}
备注
arXiv admin note: substantial text overlap with arXiv:1707.06923