An Analysis of Single-Layer Networks in Unsupervised Feature Learning(精读)
来源:互联网 发布:rewrite 知乎 编辑:程序博客网 时间:2024/06/05 18:01
一.文献名字和作者
An Analysis of Single-Layer Networks in Unsupervised Feature Learning. Adam Coates, Honglak Lee, Andrew Y. Ng
二.阅读时间
2014年11月4日
三.文献的目的
分析神经网络模型的设置对于效果的影响,主要的设置包括:感受野大小,隐藏层的个数(特征的个数),特征提取过程中的步长,以及白化处理。
四.文献的贡献点
文章的共享主要在于对于神经网络的设置进行实验,分析这些设置如何影响网络的结构。
4.1 系统流程
1.特征学习的过程
特征学习的过程主要有下面三个步骤:
a.从没标签的样本中随机选择图像块;
b.对图像块进行预处理;
c.使用非监督学习算法学习一个特征映射关系。
2.特征提取和分类
在进行了特征学习之后,就可以用学习到的特征映射关系进行特征提取和分类,主要流程如下:
a.对输入图像的图像块进行特征提取;
b.对特征进行pool来减少特征的数目;
c.使用给定的特征向量训练一个线性分类器。
4.2 特性学习
从训练图像中随机选择大小为w*w,d通道的图像块,w即为感受野的大小,然后将这个图像块转为一个大小为w*w*d的向量,然后使用这些向量作为训练集,进行预处理和非监督特征学习。
1.预处理
预处理主要是考察白化过程对于分类正确率的影响。
2.非监督学习
在非监督学习方面,作者主要对比下面几个非监督学习算法:
a.Sparse auto-encoder;
b.Sparse restricted Boltzmann machine;
c.K-means clustering;
d.Gaussian mixtures
4.3 特征提取和分类
1.卷积提取过程
这个过程类似于使用卷积核为w*w*K的卷积过程,不过在卷积的过程中,使用上面学习到的特征提取过程对感受野进行特征提取,这样,对于每一幅图像能够得到一个大小为(n-w+1)*(n-w+1)个K维的特征(n为输入图像的大小)。
2.分类
由于输入的图像维数比较大,采用将这个区域划分为4个象限,计算每个象限中的特征的和,这样就可以将图像的特征压缩到4K维,然后使用者4K维的特征进行SVM分类。
五.使用的数据库
CIFAR-10, NORB, STL-10
六.实验结果
1.白化和特征个数的影响
白化对于使用聚类的特征学习效果明显,但是白化对于SAE和RBMs的作用是含糊的,在使用100个特征的时候,白化对于RBMs的作用很明显,但是随着特征数目的增加,白化的作用越来越小。
随着特征数目的增加,分类正确率都是在提升的。
2.步长的影响
随着步长的增加,分类正确率在下降。同时,也可以看到,步长为2使用RBM训练的特征提取效果和步长为1的Kmeans聚类的效果相同,但是,使用kmeans进行特征学习比使用RBM简单。
3.感受野的大小
小的感受野效果比较好。
4.与其他算法的比较
5.在STL-10数据集上面的比较
从STL-10数据集的效果可以看出,只有有大量有标签的样本时,文章提出的算法才会有好的效果。
版权所有,欢迎转载,转载请注明出处,谢谢
0 0
- An Analysis of Single-Layer Networks in Unsupervised Feature Learning(精读)
- An Analysis of Single-Layer Networks in Unsupervised Feature Learning
- Unsupervised feature learning by augmenting single images
- Discriminative unsupervised feature learning with convolutional neural networks
- Unsupervised Feature Selection in Signed Social Networks 阅读笔记
- Unsupervised Feature Learning _介绍
- Deep Learning in Neural Networks: An Overview
- an empirical study of learning rates in deep neural networks for speech recognition 总结
- Unsupervise learning——Unsupervised feature learning and deep learning
- A Theoretical Analysis of Feature Pooling in Visual Recognition(泛读)
- A Theoretical Analysis of Feature Pooling in Visual Recognition
- Unsupervised Learning of Stereo Matching
- Unsupervised Template Learning for Fine-Grained Object Recognition(精读)
- Performance Modeling and Analysis of Bluetooth Networks: Networks Formation, Polling, Scheduling, an
- Deep Learning in Neural Networks: An Overview 之 摘要-前言
- Unsupervised Feature Learning and Deep Learning(UFLDL) Exercise 总结
- UFLDL Tutorial_Self-Taught Learning and Unsupervised Feature Learning
- Unsupervised Feature Learning and Deep Learning(UFLDL) Exercise 总结
- 程序员成就技术大拿之路
- day16
- OC面向对象三大特性
- wso2——(1)esb安装
- Java数字证书与HHTPS安全通信
- An Analysis of Single-Layer Networks in Unsupervised Feature Learning(精读)
- sql_学习笔记02_表
- HDU 5020 容器标记斜率
- Java环境变量配置
- VMware Horizon 6.0 (安装composer时报错)
- 你需要知道的 16 个 Linux 服务器监控命令
- HTML+CSS入门笔记一之HTML+CSS基本思想
- Python资源下载
- 实习第四天