Theta-RBM：用于旋转不变表示的未分解门控受限玻尔兹曼机
计算机视觉与模式识别
2016-06-30 v2
摘要
学习不变表示是计算机视觉中的关键任务。在本文中，我们提出 Theta-受限玻尔兹曼机（简称 {\theta}-RBM），它建立在原始 RBM 公式之上，并在学习过程中注入旋转不变性的概念。与先前方法相反，我们不使用所有可能的旋转来变换训练集。相反，我们在对比散度（Contrastive Divergence）算法计算期间旋转梯度滤波器。我们将模型表述为未分解门控玻尔兹曼机，其中使用另一个输入层来调制输入可见层以驱动优化过程。我们的贡献之一是一个数学证明，表明 {\theta}-RBM 能够根据最近提出的不变性度量学习旋转不变特征。我们的方法在 mnist-rot 数据集上达到了约 90% 的不变性分数，这是相对于基线方法以及当前 RBM 中变换不变特征学习的最优结果的最高结果。使用 SVM 分类器，我们也展示了我们的网络同样学习判别性特征，获得了约 10% 的测试误差。
引用
@article{arxiv.1606.08805,
title = {Theta-RBM: Unfactored Gated Restricted Boltzmann Machine for Rotation-Invariant Representations},
author = {Mario Valerio Giuffrida and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:1606.08805},
year = {2016}
}
备注
9 pages, 2 figures, 3 tables