【PaperReading】Robust Classification with Convolutional Prototype Learning

2018 CVPR URL：http://openaccess.thecvf.com/content_cvpr_2018/papers/Yang_Robust_Classification_With_CVPR_2018_paper.pdf 在图像分类方面，虽然现在正确率很高，CNN也会被很相似的图片欺骗，所以说明网络的鲁棒性还不够。这篇文章讨论了由于softmax层所以缺乏了鲁棒性。为了提高鲁棒性...

OOD Detection系列专栏（五）：GCPL

而使得神经网络可以学习，就少不了损失函数。神经网络学习的过程可以看作是的过程。换句话说，找到了最小的损失函数值，我们也就找到了一组最优的权重参数。神经网络的学习中所用的指标称为损失函数（loss function）。这个损失函数可以使用任意函数，但一般用均方误差（mean squared error）和交叉熵误差（cross entropy error）等。对于实现手写数字5识别，直接想出可以识别手写数字5的专用算法很难。

已经确定保研，时间也比较清闲，就跟着本科的导师每周参加她带的研究生的组会，也读些论文做做报告。 把最近读的五篇原型学习的相关论文整理出了一个概述，放出来存个档。 前两篇是人脸识别，第三篇是亲属关系鉴定，后两篇是心理认知领域的。

问题描述 一个d 维的特征向量 x=(x1,x2,...xd)T，属于M个类Ck,k=1,2,...M，在NN分类器中，每个类有nk个prototypes，记为mkj,j=1,2,...nk&&k=1,2,...M。 总体框架 特征向量x判定给离它最近的prototype所在的类，每个prototype的decision region叫做Voroni cell，而所...

简单来说，是一种机器学习方法。它的核心思想不是去学习一个复杂的决策规则，而是为每一个类别（class）找到几个“”，这些代表就被称为。当有一个新的数据点需要分类时，模型会看它与哪个类别的“典型代表”最接近，就把它归为那个类别。

看了一些博客的内容而本次是基于和这两篇论文来讨论的。接下来将从代码和论文本身的角度来阐述。

一言以蔽之，CVPR2018，分类softmax的替代品，或许不能明显提点，但泛化性能更佳。 其实16个月前就尝试过了，近期正好又需要用到，故而来整理下。 原作者只给出了python2的代码，并且未给出特定格式的数据集，修改了训练入口及兼容了python3。 详细实现及代码见：https://github.com/zmdsjtu/Convolutional-Prototype-Learnin...

Prototype-based learning（原型学习）是一种机器学习方法，它的核心思想是通过存储一组代表性的样本（原型），然后使用这些原型来进行分类、回归或聚类等任务。一个典型的例子是在图像分类中，可以通过选择每个类别的样本的平均值作为原型，然后在测试时将测试图像分配给最接近的原型来进行分类。在分类任务中，原型学习的目标是将测试样本分配给最接近的原型，从而确定其所属的类别。K均值聚类是原型学习的一个典型示例，它将数据点划分到K个簇中，每个簇的中心即为该簇的原型。

我们提出了一种基于度量学习的多镜头分割算法(PANet)。PANet能够从支持集中提取鲁棒原型，并使用非参数距离计算进行分割。通过提出的PAR，我们的模型可以进一步利用支持信息来辅助训练。在没有任何解码器结构或后处理步骤的情况下，我们的PANet比以前的工作表现要好得多。

在元学习框架下的原型(prototype)可以被用作快速适应新任务的关键。prototype通过在不同任务上训练实现对支持集(support set)中的新样本进行特征学习，提炼新样本信息，在不干扰既有检测模型参数的情况下以诸如挂件的形式植入检测框架中，有效避免了原模型的退化和重头训练的资源损耗，实现对新旧样本的高准确度检测.

文章目录一、简述二、主要内容2.1 框架的网络结构2.2 前馈预测与反馈训练2.3多分类损失函数2.3.1 Minimum classification error loss (MCE)2.3.2 Margin based classification loss (MCL)2.3.3 Distance based cross entropy loss (DCE)2.4 Generalized CP...

深度学习新探索：卷积原型学习库Convolutional-Prototype-Learning 1、项目介绍 在深度学习领域，卷积神经网络（CNN）已经成为图像识别任务的主流模型。Convolutional-Prototype-Learning 是一个基于 TensorFlow 的开源实现，它介绍了 CVPR2018 论文中提出的卷积原型学习（CPL）和增强卷积原型学习（GCPL）算法，旨在提供更...

eval.py文件 数据加载 with timer.env('Load Data'): # img:(550, 550, 3) # gt:(3, 5)，3是3个物体，5是中心点，宽高，类别 # gt_mask: (3, 1080, 1920),1080*1920是加载的原图大小 # h, w:1080, 1920 # num_crowd:0 img, gt, gt_masks, h, w, num_crowd = dataset.pull_item(image_idx) # pull_it

原型模式（Prototype）：用于对象的复制。 Prototype类具备条件： 1、java语言中实现Cloneable接口。这样虚拟机可以安全地在实现了此接口的类上使用clone方法。 2、重写Object类中的clone方法。 说明： 1、Object类的clone方法是一个本地方法，它直接操作内存中的二进制流，性能优势比直接new一个对象明显。非常明显适用于重复地创建相似

【深度学习|对抗学习】什么是原型引导对抗学习算法（Prototype-Guided Adversarial Learning, PGAL）？以及其如何实现类别级表示对齐？（一）

【深度学习|对抗学习】什么是原型引导对抗学习算法（Prototype-Guided Adversarial Learning, PGAL）？以及其如何实现类别级表示对齐？（二）

Adaptive Prototype Learning and Allocation for Few-Shot SegmentationAbstractIntroductionRelated WorkSemantic Segmentation（语义分割）Few-shot Learning（小样本学习）Few-shot Segmentation（小样本分割）Superpixel Segmentation（超像素分割）Problem DefinitionProposed MethodSuperpixel-gui