基于类编码的判别特征学习
【出 处】:
【作 者】:
徐德荣
陈秀宏
田进
【摘 要】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.
相关热词搜索: 类编码 堆叠判别自编码 类编码分类器 图像分类
上一篇: 基于内容的加权粒度序列推荐算法
下一篇: 基于有限状态自动机阿拉伯数字与藏文数词自动翻译