基于卷积自编码器的多模态一类分类
原文中文,约400字,阅读约需1分钟。发表于: 。本文提出了一种适用于多模态数据的深度学习一类分类方法,通过联合训练两个卷积自编码器,使其在重构正样本输入数据的同时,在潜在空间中获得尽可能紧凑的数据表示。在推理过程中,可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明,与单模态方法相比,所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外,本文还研究了不同输入图像尺寸的影响,并探讨了最近提出的特征多样性正则化对我们...
本文提出了一种适用于多模态数据的深度学习分类方法,使用联合训练两个卷积自编码器来获得紧凑的数据表示,并使用潜在表示与原点的距离作为异常分数。实验结果表明,该方法在多模态昆虫图像分类数据集上表现更好,并探讨了特征多样性正则化对性能的影响。