从自然视频中无监督学习抗杂波视觉表征
计算机视觉与模式识别
2015-04-27 v2 机器学习
摘要
颞下皮层 (IT) 中的神经元群体维持着一种针对物体身份的显式编码，该编码也能容忍物体外观的变换，例如位置、尺度、视角 [1, 2, 3]。虽然学习规则尚不清楚，但最近的结果 [4, 5, 6] 表明存在一种基于无监督时间关联的方法在起作用，例如 Foldiak 的轨迹规则 [7]。此类方法利用视觉世界的时间连续性，假设短时间尺度内的视觉体验往往具有不变的身份内容。因此，通过关联邻近时间帧的表征，可以实现一种能够容忍视频中发生的任何变换的表征。许多先前的研究证实，此类规则可以在没有背景杂波的简单情况下起作用，但视觉杂波的存在一直是该方法的问题所在。在此，我们表明基于大类特定滤波器（模板）的时间关联避免了杂波问题。我们的系统从无监督方式下从互联网收集的自然视频中进行学习，并能够在自然图像上执行一项困难的无约束人脸识别任务：Labeled Faces in the Wild [8]。
引用
@article{arxiv.1409.3879,
title = {Unsupervised learning of clutter-resistant visual representations from natural videos},
author = {Qianli Liao and Joel Z. Leibo and Tomaso Poggio},
journal= {arXiv preprint arXiv:1409.3879},
year = {2015}
}