基于预训练CNN与联想存储器的无监督学习
物理与社会
2018-09-05 v1
摘要
从完备标注数据集中提取的深度卷积特征包含大量表征，可有效用于新领域。尽管通用特征在许多视觉任务中取得了良好结果，但预训练深度CNN模型仍需微调以更加有效并提供最先进性能。在监督设定下使用反向传播算法进行微调是一个耗时耗资源的过程。本文提出一种新的架构与一种无监督目标识别方法，解决了上述预训练CNN监督深度学习方法所需的微调问题，同时实现自动特征提取。与现有工作不同，我们的方法适用于通用目标识别任务。它使用预训练（于相关领域）的CNN模型进行自动特征提取，并与基于Hopfield网络的联想存储器级联，用于存储模式以分类。在我们的框架中使用联想存储器消除了反向传播，同时在未见过的数据集上提供了有竞争力的性能。
引用
@article{arxiv.1805.01032,
title = {Resilience of networks with community structure behaves as if under an external field},
author = {Gaogao Dong and Jingfang Fan and Louis M. Shekhtman and Saray Shai and Ruijin Du and Lixin Tian and Xiaosong Chen and H. Eugene Stanley and Shlomo Havlin},
journal= {arXiv preprint arXiv:1805.01032},
year = {2018}
}
备注
15 pages,4 figures