PixelHop++：一种基于连续子空间学习（SSL）的小型图像分类模型
图像与视频处理
2020-02-11 v1 机器学习
机器学习
摘要
连续子空间学习（successive subspace learning, SSL）原理在我们先前的工作中被提出并用于设计一个可解释的学习模型，称为 PixelHop 方法，用于图像分类。在此，我们提出一种改进的 PixelHop 方法，称之为 PixelHop++。首先，为使 PixelHop 模型规模更小，在空间-谱可分离性假设下，我们将联合空间-谱输入张量解耦为多个空间张量（每个谱分量一个），并以通道方式执行 Saab 变换，称为通道式（c/w）Saab 变换。其次，通过连续地从一个 hop 到另一个 hop 执行该操作，我们构建了一个通道分解的特征树，其叶节点包含一维（1D）特征。第三，根据这些一维特征的 cross-entropy（交叉熵）值对其进行排序，使我们能够选择一组判别性特征用于图像分类。在 PixelHop++ 中，人们可以控制细粒度下的学习模型规模，在模型规模与分类性能之间提供灵活的权衡。我们在 MNIST、Fashion MNIST 和 CIFAR-10 三个数据集上展示了 PixelHop++ 的灵活性。
引用
@article{arxiv.2002.03141,
title = {PixelHop++: A Small Successive-Subspace-Learning-Based (SSL-based) Model for Image Classification},
author = {Yueru Chen and Mozhdeh Rouhsedaghat and Suya You and Raghuveer Rao and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2002.03141},
year = {2020}
}
备注
5 pages, 5 figures, 4 tables, Submitted to ICIP 2020