gpt4 book ai didi

matlab - CNN 特征的后期融合

转载 作者:行者123 更新时间:2023-11-30 08:39:40 25 4
gpt4 key购买 nike

我正在研究 CNN 特征的早期和晚期融合。我从 CNN 的多层中获取了特征。对于早期融合,我捕获了三个不同层的特征,然后水平连接它们 F= [F1' F2' F3']; 对于后期融合,我正在阅读此 paper 。他们两次提到进行监督学习。但无法理解方法。

例如,这是从上述论文中获取的图像。第一张图像具有三个不同的特征,对于第一个监督学习,标签可以说是 4 类图像集中的 1 个。例如,输出为 [1 1 3]。假设第三个分类器的结果是错误的。那么我的问题是,多模态特征串联就像 [1 1 3] 和标签 1 可以说是 1 类图像吗?

enter image description here

最佳答案

  • 我可能错了,但这是我的理解(我不确定我的答案)
  • 假设您有 2 个类别,并且有 3 个不同的模型
  • 因此每个模型都会输出一个 (2 x 1) 向量
  • 例如

    模型 1:[[0.3], [0.7]]
    模型 2:[[0.2], [0.8]]
    模型2:[[0.6],[0.4]]

  • 现在您将按如下方式连接(多模式特征组合)结果:
    [0.3、0.2、0.6、0.7、0.8、0.4]

  • 上述特征向量将作为最终监督学习器的输入,如图所示,概念分数作为监督学习器的输入

  • 他们在论文中对此提到如下:
    我们将视觉向量 vi 与文本向量 ti 连接起来。
    特征归一化后,我们得到早期融合向量ei。
    然后 ei 作为 SVM 的输入。

  • 现在,我们来谈谈这个模型的实现

  • 我要做的是首先单独训练 Model-1,单独训练 Model-2,单独训练 Model-3
  • 现在我将卡住 Model-1、Model-2、Model-3 的权重并提取分数并将它们组合到如上所述的特征向量中,并将其传递给最终的监督学习器并对其进行训练
  • 将三个单模态监督学习器视为特征提取器,并将它们的结果连接起来,就像早期融合所做的那样,并将其传递给 SVM
  • 我会将类(class)分数作为特征向量,而不是您假设的实际预测
  • 为什么是类(class)分数而不是实际预测?因为类别分数代表单峰模型对类别预测的置信度

关于matlab - CNN 特征的后期融合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49438308/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com