论文:“Unsupervised Feature Learning via Non-Parametric Instance Discrimination”--2018CVPR
摘要:主要论述如何通过非参数的实例判别进行无监督的特征学习。本文使用CNN backbone,原始图片输入网络后输出一个经过L2标准化的128维向量,通过Non-Parametric Softmax Classifier计算每个单一样本被识别正确的概率,同时使用Memory Bank存储特征向量,通过NCE来近似估计softmax的数值减少计算复杂度,最后使用Proximal Regularization稳定训练过程的波动性。主要的思想是将每个单一实例都看作不同的“类”。
主要贡献:在无监督的情况下学习从实例本身到其特征表示的映射。
方法:
1、Non-Parametric Softmax Classifier
解决:用特征向量代替权重向量,使用Mermory Bank V 来存储上述的实例特征向量。
2、Noise-Contrastive Estimation
解决:降低实例特征向量与向量间的计算复杂度
Q:NCE得到单个实例的后验概率后,具体计算复杂度是怎么从O(n)到O(1)的。
3、Proximal Regularization(近端正则化)
解决:由于每个实例代表一个类,训练过程中每个类只访问一次,导致学习过程在随机抽样波动中波动很大。近端正则化有助于稳定训练、加快收敛速度和改进学习表示,而额外成本可以忽略不计。
内容:
结果:
思考: