Current major approaches to visual recognition follow an end-to-end
formulation that classifies an input image into one of the pre-determined set
of semantic categories. Parametric softmax classifiers are a common choice for
such a closed world with fixed categories, especially when bi
提出了一种新颖的算法，用于通过非线性嵌入向量到低维欧氏空间中进行监督判别距离学习，该方法可以被视为核神经网络，并且可以通过类似于线性 Mahalanobis 距离度量学习算法的近似核化得出，该方法的模型参数数量和测试时间评估复杂度均为 O (dD)，其中 D 是输入特征的维度，d 是投影空间的维数，在具有数十万个训练对的 CNN 特征的数据集上进行了实证比较。
本文介绍了一种表达能力强且带有层次结构约束的 Deep Component Analysis 模型，并提出了基于递归交替方向神经网络（ADNNs）的可微优化算法实现。通过将前馈神经网络解释为模型中推理的单次迭代近似，不仅提供了一种新的理论视角，还提供了一种利用先验知识约束预测的实用技术。在实验中，我们证明了该模型在许多任务上的性能改进，包括单图像深度预测与稀疏输出约束。