用于底层局部图像描述子的无监督特征学习
计算机视觉与模式识别
2013-04-26 v4 机器学习
机器学习
摘要
无监督特征学习在多种输入模态上展现了令人瞩目的结果，尤其是在计算机视觉中的目标分类任务上。利用大量无标签数据，无监督特征学习方法被用于构建具有足够判别力的高层表示，以供后续训练的监督分类算法使用。然而，无监督学习方法在没有任何额外监督的情况下，能多大程度地找到图像块的底层表示，至今尚未得到过定量研究。本文在底层对应任务这一许多计算机视觉应用的核心问题上，考察了纯无监督方法的性能。我们发现，一种特殊类型的受限玻尔兹曼机（RBM）的性能可与人工设计的描述子相媲美。此外，一种简单的二值化方案能产生紧凑的表示，其性能优于多个 state-of-the-art 描述子。
引用
@article{arxiv.1301.2840,
title = {Unsupervised Feature Learning for low-level Local Image Descriptors},
author = {Christian Osendorfer and Justin Bayer and Sebastian Urban and Patrick van der Smagt},
journal= {arXiv preprint arXiv:1301.2840},
year = {2013}
}