Adaptive Deconvolutional Networks for Mid and High Level Feature Learning ICCV 2011
一、介绍
论文提出一种分级(hierarchical)模型,通过稀疏卷积编码层和最大池化层的交替学习捕捉图像的多种信息:低级边缘(low-level edges), 中级边缘连接(mid-level edge junctions),目标的高级部分和完整的目标。
新建立的模型,每一层都会重构输入而不是只有向下直接输出。以前的模型可以捕捉低级结构,但很难找到适当的中高级结构的表示。新的模型可以学习多层特征,以无监督的方式从低级边缘到高级对象部分的所有尺度中提取结构。