Robust Classification with Convolutional Prototype Learning
2018 CVPR
URL:http://openaccess.thecvf.com/content_cvpr_2018/papers/Yang_Robust_Classification_With_CVPR_2018_paper.pdf
在图像分类方面,虽然现在正确率很高,CNN也会被很相似的图片欺骗,所以说明网络的鲁棒性还不够。这篇文章讨论了由于softmax层所以缺乏了鲁棒性。为了提高鲁棒性,这里提出了一个CPL(convolutional prototype learning——卷积原型学习)的操作,基于这个操作,作者制定了多个标准。同时,当数据基于高斯分布时,prototype可以用来增加类内紧密度。
综述:CNN对于未见类别的分类表现很差;分类的类间距离小,类内距离大。例如triplet loss 提高鲁棒性但是难收敛,center loss减少类内距离,但是center不是从数据中直接学习到的。在这里论文完全放弃了softmax,所有prototype都是从数据中学习到的。他首先可以看成一种正则化,另一方面可以减少类内,增大类间。同时他不是对于特征空间进行划分来完成分类,而是将样本投射到特征空间的某些特定区域(靠近原型),这样就解决了新类别的样本的分类。
Architecture of the framework
设特征xxx为f(x;θ)f(x; θ)f(x;θ) miji∈[1,2,...,C]j∈[1,2,...,K]m_{ij} i ∈ [1, 2, ..., C] j ∈ [1, 2, ..., K]miji∈[1,2,...,C]j∈[1,2,...,K]代表有C个类,每个类别有K个prototype,这俩参数都是源于data的。给定一个输入模式x,我们首先用CNN feature extractor得到其特征,然后将特征与所有prototype进行比较,并将其分类为最近prototype所属的类别:
Minimum classification error loss (MCE)
这样∣∣f(x)−myi∣∣2||f(x)-m_{yi}||^2∣∣f(x)−myi∣∣2会减小,∣∣f(x)−mrj∣∣2||f(x)-m_{rj}||^2∣∣f(x)−mrj∣∣2会增大,关于F和M的反向传播为
Margin based classification loss (MCL)
类似为triplet loss,用的L2距离,为了归一化让值维持在(-1,1)
他的反向传播为:
Distance based cross entropy loss (DCE)
为了满足非负和归一化
Generalized CPL with prototype loss
加入正则化项 prototype loss (PL) 减少过拟合
以上这些操作有其他的作用。他可以拒绝类别或者新增类别,他可以通过算式21来计算一个类别的概率,从而舍弃类别,也可以通过将特征投射到特征空间的特定位置去,通过聚类来获取一个新的类别。
Experiments
MINIST和CIFAR10混淆之后,对于类的拒绝性表示
若新增了一个类,则特征的分布如下
K=1时是最好的,而且自己做的实验也证明这点。
Robust Classification with Convolutional Prototype Learning相关推荐
- 论文阅读 (80):Robust Bag Classification Approach for Multi-instance Learning Via Subspace Fuzzy Clusteri
文章目录 1 概述 1.1 题目 1.2 摘要 1.3 引用 2 算法 2.1 问题制定 2.2 模糊子空间实例选择 2.3 包编码 2.4 集成设计 1 概述 1.1 题目 2022:子空间模糊距离 ...
- bag of tricks for image classification with convolutional neural networks
图像分类算法优化技巧:Bag of Tricks for Image Classification - 知乎点击→查看原文 关注微信公众号:人工智能前沿讲习 重磅干货,第一时间送达 论文复现对很多人而 ...
- 基于CNN的动态手势识别:Real-time Hand Gesture Detection and Classification Using Convolutional Neural Networks
Real-time Hand Gesture Detection and Classification Using Convolutional Neural Networks论文解读 1. 概述 2. ...
- Robust Pre-Training by Adversarial Contrastive Learning
文章目录 概 主要内容 代码 Jiang Z., Chen T., Chen T. & Wang Z. Robust Pre-Training by Adversarial Contrasti ...
- CVPR2018论文笔记: Robust Physical-World Attacks on Deep Learning Visual Classification
论文百篇计划第二篇,cvpr2018的一篇文章,引用量1800.作者来自密歇根大学安娜堡分校. 最近的研究表明目前DNN容易收到对抗样本的攻击,理解物理世界中的对抗样本对发展弹性学习算法非常重要.我们 ...
- Malware Traffic Classification Using Convolutional Neural Network for Representation Learning代码复现的问题
论文下载:https://ieeexplore.ieee.org/document/7899588 代码下载:https://github.com/echowei/DeepTraffic 数据处理工具 ...
- LCZ classification based on deep learning概况(持续更新)
目录 Multilevel Feature Fusion-Based CNN for Local Climate Zone Classification From Sentinel-2 Images: ...
- Hyperspectral Imagery Classification Based on Contrastive Learning
对比学习四. The algorithm uses a two-stage training strategy. the first strategy: pretrained the second s ...
- ICCV 2017 CREST:《CREST: Convolutional Residual Learning for Visual Tracking》论文笔记
目录 动机 主要贡献 整体框架 详细介绍 重构DCF 剩余学习 Spatial层 Temporal层 跟踪过程 实验结果 动机 本文基于DCF进行改进,摘要中提到,基于DCF的跟踪器无法受益于端到端的 ...
- 【论文阅读】FedProto: Federated Prototype Learning across Heterogeneous Clients
在进行联邦学习中解决异质性问题的调研,这篇文章发表于2022的AAAI,使用原型来解决这部分问题,同时还使用"模型异构"的概念(之前一般见到的都是系统异构). 一.阅读目标 了解使 ...
最新文章
- 001_python单元测试
- 学会Python后能找到什么工作,待遇如何?
- Pycharm中导入requests模块详解
- Linux虚拟机 百度云 监控,使用Shell脚本监控KVM虚拟机
- python如何在手机上下载模块-Python 下载文件的 11 种方式
- HIVE 在执行大量数据JOIN的时候,容易产生内存不足的情况
- 3-5:类与对象中篇——默认成员函数之运算符重载
- zip-gzip-bzip2_压缩文件
- 如何将日志配置文件放入到Apollo配置中心并支持热更新
- PostgreSQL Json字段作为查询条件的解决方案
- 【bzoj3450】Tyvj1952 Easy 期望dp
- SharePoint 设置Library中文档的默认打开方式
- sql server系统表详细说明(2)
- 【项目总结】中国大学生计算机设计(机械制造暨政治正确)大赛
- 【论文阅读】基于深度神经网络的人体运动姿态估计与识别
- 【react学习笔记】为什么页面只展示空标签
- 页面静态化的优点及缺点
- 【Android开发】Android基本UI组件
- windows镜像文件官方下载地址
- [现代诗]情诗——给网恋中人