视图流形学习向新物体相似性感知的迁移
计算机视觉与模式识别
2017-04-04 v1
摘要
我们开发了一个基于重新训练深度卷积神经网络(DCNN)的感知相似性判断模型，该网络学习关联每个 3D 物体的不同视图，以捕捉我们视觉经验中物体持久性和连续性的概念。重新训练过程在物体持久性约束下有效地执行距离度量学习，以修改物体表示的视图流形。它减小了同一物体不同视图表示之间的有效距离，同时不损害不同物体视图表示之间的距离，从而实现了同一类别内以及跨类别的各个物体之间视图流形的解开。这种解开使得模型能够独立于视角来区分和识别同一类别内的物体。我们发现这种能力不仅限于训练过的物体，而是迁移到了已训练和未训练类别中的新物体，以及各种完全新颖的人造合成物体。这种学习上的迁移表明，视图流形中距离度量的修改更为一般和抽象，可能处于部件层面，并且独立于训练期间经历的具体物体或类别。有趣的是，我们发现深度网络中特征表示的最终变换与人类感知相似性判断的匹配程度显著优于 AlexNet，这表明物体持久性可能是生物神经网络中感知相似性判断发展的一个重要约束。
引用
@article{arxiv.1704.00033,
title = {Transfer of View-manifold Learning to Similarity Perception of Novel Objects},
author = {Xingyu Lin and Hao Wang and Zhihao Li and Yimeng Zhang and Alan Yuille and Tai Sing Lee},
journal= {arXiv preprint arXiv:1704.00033},
year = {2017}
}
备注
Accepted to ICLR2017