شبکه همگشتی عمیق با محدودیت های محلی و پراکندگی برای دسته‌بندی ساختار

مطالعات اخیر مزایای ارائه های آموخته‌شده توسط شبکه‌های همگشتی عمیق (CNN ها) را در ارائه ی الگویی جذاب برای وظایف مربوط به طبقه‌بندی بصری، نشان داده‌اند. اکثر روش‌های موجود، فعال سازی را از آخرین لایه کاملا متصل، به عنوان نمایش تصویری، اتخاذ می کنند. این مقاله از استخراج مناسب لایه همگشتی (مفهومی) به منظور ایجاد یک توصیفگر قدرتمند برای طبقه‌بندی ساختار تحت یک چهارچوب یادگیری انتها به انتها استفاده می‌کند. مولفه اصلی روش ما یک لایه برنامه نویسی شبکه محلی است که با در نظرگیری محدودیت های محلی انجام می‌شود، و در آن فرهنگ لغت و نمایش نحوه برنامه نویسی به طور همزمان آموخته می‌شوند. این لایه به آسانی قادر به آموزش از طریق زمینه های آموزشی است چون استفاده از فرآیند برنامه نویسی محلی، راه‌حل تحلیلی دارد. این روش قادر به ثبت اطلاعات خاص طبقه بندی ها است که ویژگی‌های همگشتی و یا مفهومی را برجسته تر می‌کند. نمایش حاصله به طور خاص برای طبقه‌بندی ساختار مفید است. آزمایش‌های جامع انجام گرفته بر روی مجموعه داده DTD، FMD و KTH -T۲b نشان می‌دهد که رویکرد ما به طور قابل‌توجهی نسبت به همتایانش با استفاده

Highlights•We design a new locality-aware coding layer for CNNs.•Our model can be implemented under an end-to-end learning framework.•A powerful descriptor is obtained for texture classification.•Our approach notably outperforms the state-of-the-art methodsAbstractRecent studies have demonstrated advantages of the representations learned by Convolutional Neural Networks (CNNs) in providing an appealing paradigm for visual classification tasks. Most existing methods adopt activations from the last fully connected layer as the image representation. This paper advocates exploiting appropriately convolutional layer activations to constitute a powerful descriptor for texture classification under an end-to-end learning framework. The main component of our method is a new locality-aware coding layer conducted with the locality constraint, where the dictionary and the encoding representation are learned simultaneously. The layer is readily amenable to training via the backpropagation as the lo