-
题名基于类编码的判别特征学习
- 1
-
-
作者
徐德荣
陈秀宏
田进
-
机构
江南大学数字媒体学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2018年第3期555-563,共9页
-
基金
国家自然科学基金(61373055)
江苏省2015年度普通高校研究生实践创新项目(SJLX15-0566)
-
文摘
经典的自编码模型(BAE、SAE、DAE、CAE)都是基于输出数据对原始数据的重构,提取输入信息的低维度特征,将该特征用于图像分类不一定能够取得很好的判别效果。利用标签信息,提出了堆叠判别自编码模型(SDcAE),该模型将类编码作为隐层神经元约束加入到堆叠自编码器的训练中,使得隐层学习的特征具有更好的判别能力。同时,将类编码作为判别损失加入到Softmax分类器中,提出了类编码分类器(CEC)。由于类间样本特征误差的降低,该分类器可以取得更好的训练效果,从而提高了最终分类的正确率。实验表明,堆叠判别自编码器和类编码分类器在图像分类中是有效可行的。
-
关键词
类编码
堆叠判别自编码
类编码分类器
图像分类
-
Keywords
class encoder
stacked discriminant auto encoder
class encoding classifier
image classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
