二阶卷积神经网络
计算机视觉与模式识别
2017-03-21 v1
摘要
卷积神经网络（CNNs）已成功应用于许多计算机视觉任务，如图像分类。通过执行线性组合和逐元素非线性操作，这些网络可被视为仅从输入图像中提取一阶信息。然而在过去，从手工特征（例如协方差）计算的二阶统计量已被证明在多种识别任务中非常有效。本文中，我们引入一类利用二阶统计量的新型CNN。为此，我们设计了一系列新层：(i)从卷积激活中提取协方差矩阵，(ii)计算矩阵的参数化二阶变换，(iii)执行矩阵的参数化向量化。这些操作可组装成协方差描述子单元（Covariance Descriptor Unit, CDU），取代标准CNN的全连接层。我们的实验证明了这种新架构的优势，其优于一阶CNN，同时参数减少多达90%。
引用
@article{arxiv.1703.06817,
title = {Second-order Convolutional Neural Networks},
author = {Kaicheng Yu and Mathieu Salzmann},
journal= {arXiv preprint arXiv:1703.06817},
year = {2017}
}