通过增强单图像进行无监督特征学习
计算机视觉与模式识别
2014-02-18 v3 机器学习
神经与进化计算
摘要
当深度学习应用于视觉物体识别时，数据增强常被用于在不增加额外标注成本的情况下生成额外的训练数据。它有助于减少过拟合并提高算法性能。在本文中，我们研究了是否可以将数据增强作为无监督特征学习架构的主要组成部分。为此，我们采样一组随机图像块，并将每个图像块声明为一个独立的单图像代理类。随后，通过对初始“种子”块应用各种变换来扩展这些平凡的单元素类。最后，我们训练一个卷积神经网络来区分这些代理类。网络学到的特征表示随后可用于各种视觉任务。我们发现，这种简单的特征学习算法取得了惊人的成功，在几个流行的视觉数据集（STL-10、CIFAR-10、Caltech-101）上实现了具有竞争力的分类结果。
引用
@article{arxiv.1312.5242,
title = {Unsupervised feature learning by augmenting single images},
author = {Alexey Dosovitskiy and Jost Tobias Springenberg and Thomas Brox},
journal= {arXiv preprint arXiv:1312.5242},
year = {2014}
}
备注
ICLR 2014 workshop track submission (7 pages, 4 figures, 1 table)