Biasing restricted Boltzmann machines using Gaussian filters to learn invariant visual features
Notice bibliographique
Résumé
Advances in unsupervised learning have allowed the efficient learning of feature representations directly from large sets of unlabeled data instead of using traditional handcrafted features. However, improving algorithms to increase the quality of these representations in the absence of labeled data is still an area of active research. This paper evaluates visual features learned through unsupervised learning, specifically comparing regularization and preprocessing methods using Gaussian filters on a single-layer network. Using the restricted Boltzmann machine as the unsupervised learning mechanism, features emerging through training on natural videos, with different biasing and preprocessing based on Gaussian filters, are compared by metrics to measure invariance as well as classification performance on standard datasets. When Gaussian filters are convolved with adjacent hidden layer activations from a single example during training, topographies begin to emerge where adjacent features become tuned to slightly varying stimuli. 1D, 2D, and 3D topographies are compared. When a Gaussian low-pass filter is applied to activations from a single hidden node across frames drawn from video, features that are more invariant to transformations are produced. Finally, when Gaussian filters are applied to the visible nodes, images become blurrier; learning from these images also leads to invariant features. The networks are trained using the Hollywood2 video dataset, and tested on image classification of the static CIFAR-10 and STL-10 datasets. To prove that the improvements are independent of the dataset, the networks are shown to produce similar results when trained on the CIFAR-10 dataset. The induction of topography or simple image blurring via Gaussian filters during training produce better discriminative features as evidenced by the consistent and notable increase in classification results that they produce. Also, in the visual domain, invariant features are desirable such that objects can be classified accurately despite transformations. It is found that most of the compared methods produce more invariant features, however, classification accuracy does not correlate to invariance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».