基于延迟满足策略高效分层分类方法研究.pdfVIP

使用延迟满足的非贪婪损失函数最小化方法训练的分层分类器中的深度学习特征

ZhibinLiao和GustavoCarneiro

A澳大利亚阿德莱德大学机器人视觉

特征）。我们方法的主要创新之处在于用于学习该分层分类器

，我们观察到传统的特征表示正在被深度学习特征表的损失函数，该函数以非贪婪的方式最小化分类误差，同时将

示迅速取代，后者与线性分类器一起使用时能够产生显著更准的分类问题延树的下层节点。我们通过这种新的分层

确的分类结果。然而，众所周知，非线性分类器通常可以更分类器训练过程的主要目标是，在泛化能力和复杂度之间取得

准确的分类，但其训练和测试过程涉及较高的计算成本。本文良好的平衡，特别是与之前领域中线性[1,7],浅层非

中，我们提出了一种新的高效且准确的非线性分层分类方法，该线性[13,15,14]和分层分类器[17,16]相比。我们在Pascal

方法使用了上述深度学习特征表示。本质上，我们的分类器基于VOC07[18,19]数据库上测试了我们的方法，并表明与使用深

一棵二叉树，其中每个节点都由一个线性分类器表示，该分类器度学习特征[7,12]的其他线性和非线性分类器相比，我们能够

通过一种非贪婪的方式最小化分类误差的损失函数，并将的产生更好的分类结果，并具有更低的训练和测试复杂度。

分类问题推树的更进行处理。与线性分类器相比，我们

的训练过程仅略微增加了训练和测试的时间复杂度，同时展示了

2.文献综述

具有竞争力的分类准确率结果。此外，我们的方法被证明比浅层

的非线性分类器具有更好的泛化能力。实验证明，所分类在本节中，我们首先介绍从卷积神经网络中提取的中层特征，

器在PascalVOC07数据库上与多种线性和非线性分类器相比，然后讨论可用于（或能够用于）此类特征向量的分类器，以此

能够产生更准确的分类结果。简要描述该领域的相关工作。

深度学习方法在该领域已经存在数年[20,21],，但其作为

特征的使用是在ImageNet上取得出色结果才被重

1.引言视[1]。Krizhevsky和Hinton[1]通过使用数百万张训练图像、

大量节点和隐藏层以及高效的实现方式，构建了一个将特征提

自从Krizhevsky和Hinton[1]在ImageNet上了出色的分取和分类功能集成于一个易用框架的CNN模型。此外，

类结果以来，计算机视觉社区的关注点已经从特征包[3]和

Razavian等人[11]发现，使用ImageNet训练的CNN中间层

Fisher向量[4]表示转移到了卷积神经网络[5,6]的深度激活能够为其他数据库强大的即插即用图像表示。

学上。的研究结果[7,8,9,10,11,12]表明，卷积

Chatfield等人[3],进一步验证了这一结果，并表明更的

神经网络（CNN）这一高容量多层非线性分类框架，能够在

CNN中间层激活能够产生比先前的特征袋[3]和Fisher向量[4]

该领域的多个数据库上产生最精确的分类结果。人们普遍认为，