Deep Dictionary Learning with An Intra-class Constraint

要約

近年、深層辞書学習（DDL）は、表現学習や視覚認識に有効であるため、大きな注目を集めています。〜しかし、既存の手法のほとんどは、教師なし深層辞書学習に焦点を当てており、カテゴリ情報をさらに詳しく調べることができません。〜
さまざまなサンプルのカテゴリ情報を最大限に活用するために、視覚的分類のためのクラス内制約（DDLIC）を備えた新しいディープディクショナリ学習モデルを提案します。
具体的には、クラス内表現が互いに近づくように、さまざまなレベルで中間表現のクラス内コンパクト制約を設計し、最終的に学習された表現がより識別可能になります。〜従来のDDLメソッドとは異なり、分類中に
ステージでは、DDLICはトレーニングステージと同様の方法でレイヤーごとの貪欲な最適化を実行します。
4つの画像データセットの実験結果は、私たちの方法が最先端の方法よりも優れていることを示しています。

要約(オリジナル)

In recent years, deep dictionary learning (DDL)has attracted a great amount of attention due to its effectiveness for representation learning and visual recognition.~However, most existing methods focus on unsupervised deep dictionary learning, failing to further explore the category information.~To make full use of the category information of different samples, we propose a novel deep dictionary learning model with an intra-class constraint (DDLIC) for visual classification. Specifically, we design the intra-class compactness constraint on the intermediate representation at different levels to encourage the intra-class representations to be closer to each other, and eventually the learned representation becomes more discriminative.~Unlike the traditional DDL methods, during the classification stage, our DDLIC performs a layer-wise greedy optimization in a similar way to the training stage. Experimental results on four image datasets show that our method is superior to the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google