当朴素贝叶斯最近邻遇上卷积神经网络
计算机视觉与模式识别
2015-11-18 v2
摘要
由于卷积神经网络（CNNs）已成为视觉识别中的主导学习范式，基于朴素贝叶斯最近邻（NBNN）的分类器在社区中已失去势头。这是因为（1）此类算法无法使用 CNN 激活作为输入特征；（2）它们不能用作 CNN 架构的最终层以进行端到端训练；（3）它们通常不可扩展，因此无法处理大数据。本文提出一个解决所有这些问题框架，从而让 NBNN 重回视野。我们通过从多尺度级别的局部块中提取 CNN 激活来解决第一个问题，类似于 [1]。我们通过提出朴素贝叶斯非线性学习（NBNL, [2]）的可扩展版本同时解决第二和第三个问题。使用预训练 CNN 在标准场景和域适应数据库上获得的结果显示了我们方法的优势，为 NBNN 开启了新的篇章。
引用
@article{arxiv.1511.03853,
title = {When Na\"ive Bayes Nearest Neighbours Meet Convolutional Neural Networks},
author = {Ilja Kuzborskij and Fabio Maria Carlucci and Barbara Caputo},
journal= {arXiv preprint arXiv:1511.03853},
year = {2015}
}