admin管理员组

文章数量:1638805

Is Second-order Information Helpful for Large-scale Visual Recognition?
这篇文章指出，目前state of art都在探寻又深又宽的网络结构，鲜少探究feature分布的信息，对feature做pooling等等只是对于一阶信息的处理，它往往快速有效，但对于所有情况并不适用。比如我们的有些选择需要方差小的样本，但是一阶信息并不能给出而feature的分布信息，所以这里需要二阶信息。
这里主要有三点贡献：

  1. 第一批尝试利用高于一阶的统计量来改进大规模分类的人。提出了一种矩阵幂归一化协方差法，给出了非线性矩阵函数的正向和反向传播公式，实现了端到端MPN-COV网络。
  2. 从统计、几何和计算的角度对MPN-COV进行了解释，解释了MPN-COV能够应对上述挑战的潜在机制。
  3. 在ImageNet 2012数据集上，我们对MPN-COV进行了深入的评估，验证了我们的数学推导和理解。

额，这篇论文涉及很多矩阵论以及概率论的东西，我断断续续看了快两周，真滴菜，还是没整明白，最后放弃推导了，大家知道有这么个操作就完事了（?‍♀️）
总而言之，他对feature map做了协方差，而且对这个协方差做了一个norm的操作，这里就是求

本文标签： HelpfulinformationOrderLargeRecognition

版权声明：本文标题：Is Second-order Information Helpful for Large-scale Visual Recognition? 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dianzi/1729279715a1193913.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。