用于图像去噪与分类的结构化受限玻尔兹曼机
计算机视觉与模式识别
2023-06-20 v1 机器学习
摘要
受限玻尔兹曼机（RBM）是一类生成模型，由一层隐藏变量连接至另一层可见单元组成，用于建模可见变量的分布。为获得更高的表征能力，通常使用大量隐藏单元，这与大量可见单元结合会导致可训练参数数量众多。本工作中我们引入结构化受限玻尔兹曼机（Structural Restricted Boltzmann Machine）模型，其利用手头数据的结构，将隐藏单元的连接限制为可见单元的子集，从而在不损害性能的前提下显著减少可训练参数。作为可能的应用领域，我们聚焦于图像建模。基于图像的性质，连接结构由构成模型可见变量的图像像素上的空间邻域给出。我们在多个图像域上进行了广泛实验。图像去噪使用来自 MNIST 数据集的 corrupted 图像进行评估。我们模型的生成能力与普通 RBM 进行比较，其分类性能则通过五个不同图像域评估。结果表明，相较于可见与隐藏单元间无约束连接的 RBM，我们所提模型训练更快且更稳定，同时取得了更好的结果。
引用
@article{arxiv.2306.09628,
title = {Structural Restricted Boltzmann Machine for image denoising and classification},
author = {Arkaitz Bidaurrazaga and Aritz Pérez and Roberto Santana},
journal= {arXiv preprint arXiv:2306.09628},
year = {2023}
}