径向基函数网络用于卷积神经网络以学习相似性距离度量并提升可解释性
计算机视觉与模式识别
2022-08-25 v1
摘要
径向基函数神经网络（RBF）是模式分类与回归的主要候选模型，并已在经典机器学习应用中被广泛使用。然而，由于RBF与现代架构缺乏适应性，其尚未被整合进使用常规卷积神经网络（CNN）的当代深度学习研究与计算机视觉中。本文中，我们通过修改训练过程并引入新的激活函数，将RBF网络作为CNN之上的分类器，以端到端训练现代视觉架构用于图像分类。RBF的特定架构使得学习相似性距离度量以比较并发现相似与不相似图像成为可能。此外，我们证明在任何CNN架构上使用RBF分类器可为模型的决策过程提供新的人可解释的洞察。最后，我们成功将RBF应用于一系列CNN架构，并在基准计算机视觉数据集上评估了结果。
引用
@article{arxiv.2208.11401,
title = {Radial Basis Function Networks for Convolutional Neural Networks to Learn Similarity Distance Metric and Improve Interpretability},
author = {Mohammadreza Amirian and Friedhelm Schwenker},
journal= {arXiv preprint arXiv:2208.11401},
year = {2022}
}
备注
12 pages, 8 figures