×
沈佳军；雅丽·阿米特

可变形分类器。 （英语） Zbl 1414.62294号

问：申请。数学。 77，第2期，207-226（2019）.
摘要：物体的几何变化不会修改物体类别，这对物体识别提出了一个主要挑战。这些变化可以是刚性变换，也可以是非刚性变换。在本文中，我们设计了一个用于训练可变形分类器的框架，其中引入了潜在的变换变量，并根据分类器输出计算对象图像到参考实例化的变换，分别针对每个类。转换后，将比较每个类的分类器输出，以得出最终决策。作为分类的副产品，这会将输入对象转换为参考姿势，可用于下游任务，如对象支持计算。我们为我们的框架应用了一种两步训练机制，它交替优化潜在的变换变量和分类器参数，以最小化损失函数。我们表明，多层感知器（也称为深度网络）非常适合这种方法，并在旋转的MNIST和Google Earth数据集上实现了最先进的结果，并且当在较小的训练数据子集上训练时，在MNIST和CIFAR-10上产生了有竞争力的结果。

MSC公司：

62华氏35 多元分析中的图像分析
62H30型 分类和区分；聚类分析（统计方面）
第60页 统计学在工程和工业中的应用；控制图

关键词：

分类器；物体识别；谷歌地球

软件：

RotEqNet公司；MNIST公司；CIFAR公司；Quicksilver公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Shen}和\textit{Y.Amit}，Q.Appl。数学。77，第2号，207--226（2019；Zbl 1414.62294）
全文： 内政部 arXiv公司

参考文献：

[1] Allassonni`“ere，S.；Amit，Y.；Trouv'”{e}，A.，《走向致密可变形模板估计的相干统计框架》，J.R.Stat.Soc.Ser。B统计方法。，69, 1, 3-29 (2007) ·Zbl 07555347号 ·doi:10.1111/j.1467-9868.2007.00574.x
[2] 阿米特，Y。；美国格伦纳德。；Piccioni，M.，通过可变形模板恢复结构图像，美国统计协会杂志，86，414，376-387（1991）
[3] 阿米特，Y。；Trouv’e，A.，Pop:对象识别零件模型的拼接，国际期刊。公司的。视觉。，75, 267-282 (2007)
[4] S.Andrews、I.Tsochantaridis和T.Hofmann，用于多实例学习的支持向量机，《神经信息处理系统的进展》，第577-584页，2003年。
[5] F.L.Bookstein，《主要翘曲：薄板样条和变形分解》，IEEE模式分析和机器智能汇刊，11（6）：567-5851989年·Zbl 0691.65002号
[6] T.S.Cohen和M.Welling，群等变卷积网络，arXiv预印本arXiv:1602.07576（2016）。
[7] T.S.Cohen和M.Welling。Steerable cnns，arXiv预印本arXiv:1612.08498（2016）。
[8] S.Dieleman、J.De Fauw和。Kavukcuoglu，利用卷积神经网络中的循环对称性，arXiv预印本arXiv:1602.02660（2016）。
[9] A.Dosovitskiy、J.T.Springenberg、M.Riedmiller和T.Brox，卷积神经网络的非监督鉴别特征学习，神经信息处理系统进展，第766-774页，2014年。
[10] S.Dieleman、K.W.Willett和J.Dambre，用于星系形态预测的旋转不变卷积神经网络，皇家天文学会月刊，450（2）：1441-14592015。
[11] P.F.Felzenszwalb、R.B.Girshick、D.McAllester和D.Ramanan，基于区分训练的部件模型的对象检测，模式分析和机器智能方面的IEEE事务，32（9）：1627-16452010年。
[12] B.Fasel和D.Gatica-Perez，《旋转变异新感受器》，模式识别，2006年。ICPR 2006。第18届国际会议，第3卷，第336-339页。IEEE，2006年。
[13] R.Gens和P.M.Domingos，深度对称网络，神经信息处理系统进展，第2537-2545页，2014年。
[14] 格伦德，乌尔夫，《一般模式理论》，牛津数学专著，xxii+883页（1993），克拉伦登出版社，牛津大学出版社，纽约·Zbl 0827.68098号
[15] 美国格伦纳德。；周，Y。；基南博士。，《生物形态的模式理论研究》（1991），斯普林格·弗拉格：纽约：斯普林格尔·弗拉格·Zbl 0808.68018号
[16] 格伦纳德，乌尔夫；Michael I.Miller，《计算解剖学：一门新兴学科》，Quart。申请。数学。，56, 4, 617-694 (1998) ·Zbl 0952.92016号 ·doi:10.1090/qam/1668732
[17] G.Heitz和D.Koller，《学习空间上下文：用东西寻找事物》，欧洲计算机视觉会议，第30-43页。施普林格，2008年。
[18] J.F.Henriques、P.Martins、R.F.Caseiro和J.Batista，傅里叶域中姿态检测器的快速训练，神经信息处理系统的进展，第3050-30582014页。
[19] J.F.Henriques和A.Vedaldi，《扭曲卷积：空间变换的有效不变性》，arXiv预印本arXiv:1609.04382（2016）。
[20] M.Jaderberg、K.Simonyan、A.Zisserman等人。，空间变压器网络，《神经信息处理系统进展》，第2017-2025页，2015年。
[21] A.Krizhevsky和G.Hinton，《从微小图像中学习多层特征》，2009年。
[22] Y.LeCun、C.Cortes和C.J.C.Burges，《mnist手写数字数据库》，1998年。
[23] D.Laptev、N.Savinov、J.M.Buhmann和M.Pollefeys，Ti-pooling:卷积神经网络中特征学习的变换-变量池，IEEE计算机视觉和模式识别会议论文集，第289-297页，2016年。
[24] H.Larochelle、D.Erhan、A.Courville、J.Bergstra和Y.Bengio，《对具有多种变化因素的问题的深层架构的经验评估》，《第24届机器学习国际会议论文集》，第473-480页。ACM，2007年。
[25] D.Marcos、M.Volpi、N.Komodakis和D.Tuia，《旋转等变向量场网络》，arXiv预印本arXiv:1612.09346（2016）。
[26] 迈克尔·I·米勒。；特鲁夫，阿兰；Younes，Laurent，《计算解剖学测地摄影》，J.Math。成像视觉，24,2209-228（2006）·Zbl 1478.92084号 ·doi:10.1007/s10851-005-3624-0
[27] A.Radford、L.Metz和S.Chintala，深度卷积生成对抗网络的无监督表征学习，arXiv预印本arXiv:1511.06434（2015）。
[28] I.Rocco、R.Arandjelovic和J.Sivic，用于几何匹配的卷积神经网络架构，Proc。CVPR，2017年第2卷。
[29] N.S.Detlefsen、O.Freifeld和S.Hauberg，深度微分变压器网络，IEEE计算机视觉和模式识别会议记录，第4403-4412页，2018年。
[30] K.Sohn和H.Lee，通过局部变换学习不变量表示，arXiv预印本arXiv:1206.6418（2012）。
[31] D.Teney和M.Hebert，《学习从卷积神经网络视频中提取运动》，arXiv预印本arXiv:1601.07532（2016）。
[32] N.van Noord和E.Postma，学习深度图像分类的尺度变异和尺度变异特征，模式识别，61:583-5922017。
[33] F.Wu、P.Hu和D.Kong，图像分类用卷积神经网络上的倒转池卷积和分离丢包，arXiv预印本arXiv:1507.08754（2015）。
[34] X.Yang、R.Kwitt、M.Styner和M.Niethammer，《Quicksilver:快速预测图像注册——深度学习方法》，《神经影像》，158:378-3962017年。
[35] Younes，Laurent，《形状和微分形态》，《应用数学科学》171，xviii+434 pp.（2010），柏林斯普林格·弗拉格出版社·Zbl 1205.68355号 ·doi:10.1007/978-3642-12055-8
[36] 周瑜、叶琦、邱琦、焦建杰，面向响应网络，arXiv预印本arXiv:1701.01833（2017）。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。