基于类编码的判别特征学习

计算机工程与科学

基于类编码的判别特征学习

徐德荣，陈秀宏，田进

（江南大学数字媒体学院，江苏无锡 214122）

收稿日期:2016-10-17 修回日期:2016-11-23 出版日期:2018-03-25 发布日期:2018-03-25
基金资助:
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）

XU Derong，CHEN Xiuhong，TIAN Jin

（School of Digital Media,Jiangnan University,Wuxi 214122,China）

Received:2016-10-17 Revised:2016-11-23 Online:2018-03-25 Published:2018-03-25

摘要/Abstract

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。

关键词: 类编码, 堆叠判别自编码, 类编码分类器, 图像分类

Abstract:

Based on the output data’s reconstructing the original data, classical auto encoders(BAE、SAE、DAE、CAE) can extract low dimensional features of the input information.Applying these features in image classification may not able to guarantee a good result.In this paper,we use the label information to propose a stacked discriminant auto encoder (SDcAE),which adds the class encoderas the constraint of hidden layer neuron into the training process of the stacked auto encoder. Hence, the features learned by the hidden layer have better discrimination ability. In addition,we propose a class encoding classifier(CEC),which adds the class encoder as the discriminative loss into the Softmax classifier.Due to the decrease of the feature error of the interclass samples, the classifier can achieve better training results, thus improving the final classification accuracy.The experimental results show that the stacked discriminant auto encoder and the class encoding classifier are effective and feasible in image classification.

Key words: class encoder, stacked discriminant auto encoder, class encoding classifier, image classification

徐德荣，陈秀宏，田进. 基于类编码的判别特征学习[J]. 计算机工程与科学.

XU Derong，CHEN Xiuhong，TIAN Jin. null[J]. Computer Engineering & Science.

[1]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[2]	李亚召, 云利军, 叶志霞, 王坤, 翟乃琦. 基于卷积神经网络的霉变烟叶图像识别方法研究[J]. 计算机工程与科学, 2021, 43(03): 473-479.
[3]	赵俊生，候圣，王鑫宇，尹玉洁. 基于集成学习的图像垃圾邮件过滤方法[J]. 计算机工程与科学, 2020, 42(06): 1049-1059.
[4]	郁松，廖文浩. 基于3D-ResNet的阿尔兹海默症分类算法研究[J]. 计算机工程与科学, 2020, 42(06): 1068-1075.
[5]	孙明华，杨媛，李渊博. 基于深度可分离卷积的地铁隧道巡检视频分析[J]. 计算机工程与科学, 2020, 42(04): 691-698.
[6]	徐频捷1,2，王诲喆1,2，李策3，唐丹1，赵地1. 基于脉冲神经网络与移动GPU计算的图像分类算法研究与实现[J]. 计算机工程与科学, 2020, 42(03): 397-403.
[7]	陈诚1，郭卫斌1，李庆瑜2. 结合自注意力的对抗性领域适应图像分类方法[J]. 计算机工程与科学, 2020, 42(02): 259-265.
[8]	李聪，潘丽丽，陈蓉玉，周燕，邵伟志. 采用融合卷积网的图像分类算法[J]. 计算机工程与科学, 2019, 41(12): 2179-2186.
[9]	蒋芸，张海，陈莉，陶生鑫. 基于卷积神经网络的图像数据增强算法[J]. 计算机工程与科学, 2019, 41(11): 2007-2016.
[10]	许浩，郭卫斌. 带有双判别器的对抗性领域适应图像分类算法[J]. 计算机工程与科学, 2019, 41(09): 1656-1661.
[11]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[12]	田勋，汪西莉. 基于聚类标签均值的半监督支持向量机[J]. 计算机工程与科学, 2018, 40(12): 2265-2272.
[13]	姜文超 1，2，刘海波1,杨宇杰1，陈佳峰1，孙傲冰2. 一种融合小波变换与卷积神经网络的高相似度图像识别与分类算法[J]. 计算机工程与科学, 2018, 40(09): 1646-1652.
[14]	张娟,蒋芸,胡学伟,肖吉泽. 基于卷积受限玻尔兹曼机的医学图像分类新方法[J]. 计算机工程与科学, 2017, 39(02): 323-329.
[15]	胡学伟，蒋芸，邹丽，李志磊，沈健. 基于邻域关系模糊粗糙集的医学图像分类研究[J]. J4, 2016, 38(04): 739-746.

基于类编码的判别特征学习

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价