DualNet：学习用于图像识别的互补特征

在本研究中，我们提出了一个名为 Dual-Net 的新颖框架，旨在学习用于图像识别的更准确表征。在此，两个并行神经网络相互协调以学习互补特征，从而构建了一个更宽的网络。具体而言，我们在逻辑上将端到端深度卷积神经网络划分为两个功能部分，即特征提取器和图像分类器。两个子网络的提取器并排放置，恰好构成 DualNet 的特征提取器。随后，双流特征被聚合至最终分类器进行总体分类，同时在每个子网络的特征提取器后附加两个辅助分类器，使单独学习到的特征本身即具有判别力。通过对这三个分类器进行加权来施加互补约束，这正是 DualNet 的关键所在。我们还提出了相应的训练策略，包括迭代训练和联合微调，以使两个子网络能够良好地协同工作。最后，基于著名的 CaffeNet、VGGNet、NIN 和 ResNet 的 DualNet 在包括 CIFAR-100、Stanford Dogs 和 UEC FOOD-100 在内的多个数据集上得到了深入研究和实验评估。结果表明，DualNet 确实有助于学习更准确的图像表征，从而实现更高的识别准确率。特别是，与近期的研究相比，其在 CIFAR-100 上的表现达到了最先进水平（state-of-the-art）。