基于拉普拉斯金字塔自编码器的无监督表示学习

尺度空间表示因其理论基础在计算机视觉领域广受欢迎。对给定数据集生成尺度空间表示的动机源于一个基本观察：现实世界中的物体由不同尺度上的不同结构组成。因此，考虑利用通过平滑和下采样操作生成的图像金字塔来学习特征是合理的。在本文中，我们提出了拉普拉斯金字塔自编码器，这是深度卷积自编码器架构的一种直接修改，用于无监督表示学习。该方法在拉普拉斯金字塔框架内使用多个编码-解码子网络来重建原始图像和低通滤波图像。每个编码子网络的最后一层还连接到下一级子网络的编码层，旨在逆转拉普拉斯金字塔的生成过程。实验结果表明，拉普拉斯金字塔有利于深度自编码器方法的分类和重建性能，而批量归一化对于深度自编码器方法开始学习至关重要。