基于角度特征的分类网络
卷积神经网络(Convolutional Neural Nctworks,CNN)在图像分类任务中的卓越表现,使得其被广泛应用于计算机视觉的各个领域.图像分类模型精度与效率的提升,除了归功于网络结构的改变外,还有很大一部分原因来自于归一化技术以及分类损失函数的改进.在人脸识别任务中,随着精度的不断提升,分类损失函数从Softmax Loss到Triplet Loss,又从L-Softmax Loss到Arcface Loss,度量方式从几何度量发展到角度度量.度量方式的改变实际上是特征形式的变化,即特征形式从一般特征转变为角度特征.在Mnist数据集上,使用角度度量损失函数训练得到的特征点呈角度分布,同时准确率比几何度量高;将角度度量方式用更直接的角度特征来表示,训练得到的同类特征点呈直线分布,准确度也比一般角度度量更高.这不禁令人思考,在CNN分类模型中是否可以使用角度特征来代替一般特征.在CNN分类模型中,其主要架构往往由多个卷积层和一个或多个全连接层组成,通过统一卷积层与全连接层的归一化操作,得到角度卷积层与角度全连接层.在普通分类网络的基础上,用角度卷积层替换卷积层,用角度全连接层替换全连接层,可以得到一个由角度特征组成的角度分类网络.在Cifar100数据集上,基于ResNet-32构造的角度分类网络相比原分类网络,分类准确率提高了2％,从而论证了角度特征在分类网络中的有效性.
图像分类、卷积神经网络、归一化、损失函数、角度特征
47
TP183(自动化基础理论)
国家自然科学基金资助项目;广东省自然科学基金资助项目;广州市科技计划项目
2020-04-24（万方平台首次上网日期，不代表论文的发表时间）
共5页
83-87
