-
LDMNet:低维流形正则神经网络 摘要 事实证明,深度神经网络在大型训练集可用的原型任务中非常成功,但当训练数据稀少时,其性能会受到过拟合的影响。 许多现有的减少过拟合的方法都依赖于数据。 数据相关正则化的动机主要是观察到感兴趣的数据靠近流形,这通常很难显式地参数化。 这些方法通常只关注输入数据的几何特征,并不一定鼓励网络生成具有几何意义的特征。 为了解决这个问题,我们提出了低维流形正则化神经网络(LDMNet),它结合了一种关注输入数据和输出特征几何结构的特征正则化方法。 在LDMNet中,我们通过鼓励输入数据和输出特征的组合来对网络进行正则化,以采样一组低维流形,这些流形可以在没有显式参数化的情况下进行有效搜索。 为了实现这一点,我们直接使用流形维数作为变分泛函中的正则项。 由此得到的Euler-Lagrange方程是点云上的Laplace-Beltrami方程,可以用点积分方法求解,而不会增加计算复杂度。 在实验中,我们表明LDMNet明显优于广泛使用的正则化器。 此外,LDMNet可以提取通过不同模式成像的对象的共同特征,这在跨光谱人脸识别等实际应用中非常有用。 相关材料 [ pdf格式 ] [ arXiv公司 ] [ 视频 ] [ 围巾 ] @会议记录{Zhu_2018_CVPR, author={朱,魏和邱,强和黄,加吉和卡尔德班克,罗伯特和萨皮罗,吉列尔莫和多贝切斯,英格丽德}, title={LDMNet:低维流形正则神经网络}, booktitle={计算机视觉和模式识别(CVPR)IEEE会议记录}, 月={6月}, 年份={2018年} }