可变形分类器
作者：
沈嘉君和雅丽阿米特
日志：夸脱。申请。数学。77(2019), 207-226
MSC（2010）：初级62H35
内政部：https://doi.org/10.1090/qam/1525
电子出版：2019年1月18日
MathSciNet评论：
3932959
全文PDF
摘要|工具书类|类似文章|其他信息
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重大挑战。这些变化可以是刚性变换，也可以是非刚性变换。本文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，并根据分类器的输出计算了目标图像到参考实例化的变换，每节课单独上课。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。
工具书类
- S.阿拉松尼埃,Y.阿米特、和A.特鲁维,密集可变形模板估计的相干统计框架，J.R.Stat.Soc.系列。B Stat.方法。69（2007），第1期，第3–29页。先生2301497，内政部https://doi.org/10.1111/j.1467-9868.2007.00574.x
- Y.Amit、U.Grenander和M.Piccioni，基于可变形模板的结构图像恢复《美国统计协会杂志》86（1991），第414、376–387号。
- Y.Amit和A.Trouvé，Pop:用于对象识别的零件模型拼接，国际焦耳。公司的。视觉。75(2007), 267–282.
- S.Andrews、I.Tsochantaridis和T.Hofmann，支持向量机用于多实例学习《神经信息处理系统的进展》，第577–584页，2003年。
- F.L.Bookstein，主翘曲：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。
- T.S.Cohen和M.Welling，群等变卷积网络，arXiv预印本arXiv:1602.07576（2016）。
- T.S.Cohen和M.Welling。可操纵cnns，arXiv预印本arXiv:1612.08498（2016）。
- S.Dieleman、J.De Fauw和。卡武科科格鲁，利用卷积神经网络中的循环对称性，arXiv预印arXiv:1602.02660（2016）。
- A.Dosovitskiy、J.T.Springenberg、M.Riedmiller和T.Brox，基于卷积神经网络的鉴别无监督特征学习《神经信息处理系统进展》，第766–774页，2014年。
- 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《皇家天文学会月报》，450（2）：1441–14592015。
- P.F.Felzenszwalb、R.B.Girschick、D.McAllester和D.Ramanan，基于区分训练部分模型的目标检测，IEEE模式分析和机器智能事务，32（9）：1627–16452010。
- B.Fasel和D.Gatica Perez，旋转变分新感受器，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。
- R.Gens和P.M.Domingos，深对称网络《神经信息处理系统的进展》，第2537–2545页，2014年。
- 乌尔夫·格伦纳德,一般模式理论《牛津数学专著》，克拉伦登出版社，牛津大学出版社，纽约，1993年。规则结构的数学研究；牛津科学出版物。先生1270904
- U.Grenander、Y.Chow和D.M.Keenan，生物形态的模式理论研究，施普林格-弗拉格出版社，纽约，1991年。
- 乌尔夫·格伦纳德和迈克尔·米勒,计算解剖学：一门新兴学科，夸脱。申请。数学。56（1998），第4期，617–694。数学应用的当前和未来挑战（普罗维登斯，RI，1997）。先生1668732，内政部https://doi.org/10.1090/qam/1668732
- G.Heitz和D.Koller，学习空间上下文：用东西寻找东西，欧洲计算机视觉会议，第30-43页。施普林格，2008年。
- J.F.Henriques、P.Martins、R.F.Caseiro和J.Batista，傅里叶域姿态检测器的快速训练《神经信息处理系统进展》，第3050–3058页，2014年。
- 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）。
- 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。
- A.Krizhevsky和G.Hinton，从微小图像中学习多层特征, 2009.
- Y.LeCun、C.Cortes和C.J.C.Burges，手写数字的mnist数据库, 1998.
- D.Laptev、N.Savinov、J.M.Buhmann和M.Pollefeys，Ti-pooling：卷积神经网络中用于特征学习的变换-变量池《IEEE计算机视觉和模式识别会议记录》，第289-297页，2016年。
- H.Larochelle、D.Erhan、A.Courville、J.Bergstra和Y.Bengio，深层建筑对多因素变化问题的实证评估《第24届机器学习国际会议论文集》，第473-480页。ACM，2007年。
- D.Marcos、M.Volpi、N.Komodakis和D.Tuia，旋转等变矢量场网络，arXiv预印本arXiv:1612.09346（2016）。
- 迈克尔·米勒,阿兰·特鲁维、和劳伦特·尤恩斯,计算解剖学测地摄影，J.数学。图像视觉24（2006），第2期，209–228。先生2227097，内政部https://doi.org/10.1007/s10851-005-3624-0
- A.Radford、L.Metz和S.Chintala，基于深度卷积生成对抗网络的无监督表示学习，arXiv预印本arXiv:1511.06434（2015）。
- I.Rocco、R.Arandjelovic和J.Sivic，用于几何匹配的卷积神经网络结构，程序。CVPR，2017年第2卷。
- N.S.Detlefsen、O.Freifeld和S.Hauberg，深微分变压器网络《IEEE计算机视觉和模式识别会议记录》，第4403–4412页，2018年。
- K.Sohn和H.Lee，利用局部变换学习不变量表示，arXiv预印本arXiv:1206.6418（2012）。
- D.Teney和M.Hebert，在卷积神经网络中学习从视频中提取运动，arXiv预印本arXiv:1601.07532（2016）。
- N.van Noord和E.Postma，学习深度图像分类的尺度变异和尺度不变特征，模式识别，61:583–5922017。
- F.Wu、P.Hu和D.Kong，用于图像分类的卷积神经网络上的翻转-旋转-池化卷积和分离-丢弃，arXiv预印本arXiv:1507.08754（2015）。
- X.Yang、R.Kwitt、M.Styner和M.Niethammer，Quicksilver：快速预测图像注册–一种深度学习方法《神经影像》，158:378–3962017年。
- 劳伦特·尤恩斯,形状和微分《应用数学科学》，第171卷，施普林格-弗拉格出版社，柏林，2010年。先生2656312
- 周瑜、叶琦、邱琦、焦杰，定向响应网络，arXiv预印本arXiv:1701.01833（2017）。
工具书类
- S.Allassonnieère、Y.Amit和A.Trouvé，稠密可变形模板估计的相干统计框架，J.R.Stat.Soc.系列。B Stat.方法。69（2007），第1期，第3–29页。先生2301497，内政部https://doi.org/10.1111/j.1467-9868.2007.00574.x
- Y.Amit、U.Grenander和M.Piccioni，基于可变形模板的结构图像恢复《美国统计协会杂志》86（1991），第414、376–387号。
- Y.Amit和A.Trouvé，Pop:用于对象识别的零件模型拼接，国际焦耳。公司的。视觉。75(2007), 267–282.
- S.Andrews、I.Tsochantaridis和T.Hofmann，支持向量机用于多实例学习《神经信息处理系统的进展》，第577–584页，2003年。
- F.L.Bookstein，主翘曲：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。
- T.S.Cohen和M.Welling，群等变卷积网络，arXiv预印本arXiv:1602.07576（2016）。
- T.S.Cohen和M.Welling。可操纵cnns，arXiv预印本arXiv:1612.08498（2016）。
- S.Dieleman、J.De Fauw和。卡武科科格鲁，利用卷积神经网络中的循环对称性，arXiv预印arXiv:1602.02660（2016）。
- A.Dosovitskiy、J.T.Springenberg、M.Riedmiller和T.Brox，基于卷积神经网络的鉴别无监督特征学习《神经信息处理系统进展》，第766–774页，2014年。
- 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《皇家天文学会月报》，450（2）：1441–14592015。
- P.F.Felzenszwalb、R.B.Girshick、D.McAllester和D.Ramanan，基于区分训练部分模型的目标检测，IEEE模式分析和机器智能事务，32（9）：1627–16452010。
- B.Fasel和D.Gatica-Perez，旋转变分新感受器，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。
- R.Gens和P.M.Domingos，深对称网络《神经信息处理系统的进展》，第2537–2545页，2014年。
- 乌尔夫·格伦纳德，一般模式理论《牛津数学专著》，克拉伦登出版社，牛津大学出版社，纽约，1993年。规则结构的数学研究；牛津科学出版物。先生1270904
- U.Grenander、Y.Chow和D.M.Keenan，生物形态的模式理论研究，施普林格-弗拉格出版社，纽约，1991年。
- Ulf Grenander和Michael I.Miller，计算解剖学：一门新兴学科，夸脱。申请。数学。56（1998），编号4167-694。数学应用的当前和未来挑战（普罗维登斯，RI，1997）。先生1668732，内政部https://doi.org/10.1090/qam/1668732
- G.Heitz和D.Koller，学习空间上下文：用东西寻找东西，欧洲计算机视觉会议，第30-43页。施普林格，2008年。
- J.F.Henriques、P.Martins、R.F.Caseiro和J.Batista，傅里叶域姿态检测器的快速训练《神经信息处理系统进展》，第3050–3058页，2014年。
- 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）。
- 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。
- A.Krizhevsky和G.Hinton，从微小图像中学习多层特征, 2009.
- Y.LeCun、C.Cortes和C.J.C.Burges，手写数字的mnist数据库, 1998.
- D.Laptev、N.Savinov、J.M.Buhmann和M.Pollefeys，Ti-pooling：卷积神经网络中用于特征学习的变换-变量池《IEEE计算机视觉和模式识别会议记录》，第289-297页，2016年。
- H.Larochelle、D.Erhan、A.Courville、J.Bergstra和Y.Bengio，深层建筑对多因素变化问题的实证评估《第24届机器学习国际会议论文集》，第473-480页。ACM，2007年。
- D.Marcos、M.Volpi、N.Komodakis和D.Tuia，旋转等变矢量场网络，arXiv预印本arXiv:1612.09346（2016）。
- Michael I.Miller、Alain Trouvé和Laurent Younes，计算解剖学测地摄影，J.数学。图像视觉24（2006），第2期，209–228。先生2227097，内政部https://doi.org/10.1007/s10851-005-3624-0
- A.Radford、L.Metz和S.Chintala，基于深度卷积生成对抗网络的无监督表示学习，arXiv预印本arXiv:1511.06434（2015）。
- I.Rocco、R.Arandjelovic和J.Sivic，用于几何匹配的卷积神经网络结构，程序。CVPR，2017年第2卷。
- N.S.Detlefsen、O.Freifeeld和S.Hauberg，深微分变压器网络《IEEE计算机视觉和模式识别会议记录》，第4403–4412页，2018年。
- K.Sohn和H.Lee，利用局部变换学习不变量表示，arXiv预印本arXiv:1206.6418（2012）。
- D.Teney和M.Hebert，在卷积神经网络中学习从视频中提取运动，arXiv预印本arXiv:1601.07532（2016）。
- N.van Noord和E.Postma，学习用于深度图像分类的尺度变和尺度变特征，模式识别，61:583–5922017。
- F.Wu、P.Hu和D.Kong，用于图像分类的卷积神经网络上的翻转池卷积和分裂丢失，arXiv预印本arXiv:1507.08754（2015）。
- X.Yang、R.Kwitt、M.Styner和M.Niethammer，Quicksilver：快速预测图像注册–一种深度学习方法《神经影像》，158:378–3962017年。
- 劳伦特·尤恩斯，形状和微分《应用数学科学》，第171卷，施普林格-弗拉格出版社，柏林，2010年。先生2656312
- 周瑜、叶琦、邱琦、焦杰，定向响应网络，arXiv预印本arXiv:1701.01833（2017）。
类似文章
检索中的文章应用数学季刊MSC（2010）：62华氏35
检索所有期刊中的文章MSC（2010）：62华氏35
其他信息
沈嘉君
附属：伊利诺伊州芝加哥市芝加哥大学计算机科学系60637
电子邮件：jiajun@cs.uchicago.edu
雅丽阿米特
附属：伊利诺伊州芝加哥市芝加哥大学统计系60637
电子邮件：amit@marx.uchicago.edu
编辑接收：2017年12月18日
编辑收到修订版：2018年10月3日
以电子方式发布：2019年1月18日
文章版权：©2019年版权所有布朗大学
