PROPEL：用于卷积神经网络的概率参数化回归损失
计算机视觉与模式识别
2020-08-11 v2
摘要
近年来，卷积神经网络（CNNs）推动了计算机视觉领域最优性能的显著进步。对于分类任务，CNNs 已广泛采用概率化输出，并显示出提供额外预测置信度的重要性。然而，此类概率方法并未广泛用于解决使用 CNNs 的回归问题，因为回归涉及学习无约束连续且往往在多数情况下为多变量的目标变量。我们提出了一种概率参数化回归损失（PROPEL），其促使 CNNs 学习概率分布的参数以解决概率回归问题。PROPEL 完全可微，因此可使用现有优化算法轻松集成到现有 CNN 回归架构的端到端训练中。所提方法具有灵活性，能够学习复杂的无约束概率，同时可推广到高维多变量回归问题。我们利用基于 PROPEL 的 CNN 解决从非标定彩色图像中学习手与头部朝向的问题。我们的实验验证以及与现有 CNN 回归损失函数的对比表明，PROPEL 通过实现概率回归提高了 CNN 的准确率，同时将所需模型参数显著减少 ，相较于现有最优方法获得了更好的泛化能力。
引用
@article{arxiv.1807.10937,
title = {PROPEL: Probabilistic Parametric Regression Loss for Convolutional Neural Networks},
author = {Muhammad Asad and Rilwan Basaru and S M Masudur Rahman Al Arif and Greg Slabaugh},
journal= {arXiv preprint arXiv:1807.10937},
year = {2020}
}
备注
11 pages, 7 figures, 2 tables