一篇2018年关于基于CNN的增量学习论文:A CNN-Based Broad Learning System。
对计算机视觉来说,作者提出的CNN-Based Broad Learning System(CNNBLS)比 Broad Learning System(BLS)更有效。其中用卷积层和最大池化层提取特征,用principal component analysis(PCA) 主成分分析法对特征降维,最后使用Ridge regression岭回归法得到分类结果。
与BLS和RVFLNN相似,作者提出的CNNBLS中卷积层的参数是随机初始化的。同时,CNNBLS使用所有输入数据做特征提取,从而避免像BLS降维丢失细节信息的问题。
在BLS中,输入的高维数据首先会随机映射到低维的x,再用x生成enhancement nodes。使用陈俊龙教授提的三种算法实现增量学习(*陈俊龙教授关于BLS论文的读书笔记传送门)。而作者提出的CNNBLS结构如下图所示: