基于 C-SVDDNet 的无监督特征学习
计算机视觉与模式识别
2015-06-01 v3 机器学习
神经与进化计算
摘要
本文研究了利用单层 K-means 网络从无标签数据中学习特征表示的问题。K-means 网络通过为每个输入点寻找最近的质心将输入数据映射为特征表示，因其简单性、有效性和可扩展性而近期引起了研究人员的极大关注。然而，这种特征映射的一个缺点是，当训练数据包含噪声时，其往往不可靠。为解决这一问题，我们提出了一种基于 SVDD 的特征学习算法，该算法利用 SVDD 球描述 K-means 每个簇的密度和分布，以获得更鲁棒的特征表示。为此，我们提出了一种名为 C-SVDD 的新 SVDD 算法，它将 SVDD 球中心对准每个簇的局部密度模态，并表明 C-SVDD 的目标可以作为线性规划问题非常高效地求解。此外，传统的无监督特征学习方法通常取局部表示的平均值或总和以获得全局表示，从而忽略了它们之间的空间关系。为了利用空间信息，我们提出了一种带有 SIFT 描述符变体的全局表示。该架构还扩展了多感受野尺度和多池化尺寸。在 STL-10、MINST、Holiday 和 Copydays 等多个流行物体识别基准上的大量实验表明，所提出的 C-SVDDNet 方法产生了与先前最先进方法相当或更好的性能。
引用
@article{arxiv.1412.7259,
title = {Unsupervised Feature Learning with C-SVDDNet},
author = {Dong Wang and Xiaoyang Tan},
journal= {arXiv preprint arXiv:1412.7259},
year = {2015}
}