Aprendendo o Compromisso entre Poder Discriminativo e Invariância

Investigamos o problema de aprender descritores ótimos para uma determinada tarefa de classificação. Muitos descritores elaborados manualmente foram propostos na literatura para medir a similaridade visual. Indo além das diferenças iniciais, o que realmente distingue um descritor de outro é o compromisso que ele alcança entre poder discriminativo e invariância. Como esse compromisso deve variar de tarefa para tarefa, nenhum descritor único pode ser ótimo em todas as situações. Nosso foco, neste artigo, é aprender o compromisso ótimo para classificação dado um conjunto de treinamento particular e restrições anteriores. O problema é colocado no framework de aprendizado de kernel. Aprendemos o kernel ótimo, específico para o domínio, como uma combinação de kernels base correspondentes a características base que alcançam diferentes níveis de compromisso (como nenhuma invariância, invariância de rotação, invariância de escala, invariância afim, etc.). Isso leva a um problema de otimização convexa com um único ótimo global que pode ser resolvido de forma eficiente. O método demonstrou alcançar um desempenho de ponta nos conjuntos de dados de texturas UIUC, flores de Oxford e Caltech 101.