Classification de réseaux profonds par apprentissage de dictionnaires par diffusion et homotopie.

Résumé Nous introduisons un réseau neuronal convolutif profond à diffusion clairsemée, qui fournit un modèle simple pour analyser les propriétés de l'apprentissage de la représentation profonde pour la classification. L'apprentissage d'une matrice à dictionnaire unique avec un classificateur donne une précision de classification supérieure à celle d'AlexNet sur le jeu de données ImageNet 2012. Le réseau applique d'abord une transformée de diffusion qui linéarise les variabilités dues aux transformations géométriques telles que les translations et les petites déformations. Un codage par dictionnaire l1 clairsemé réduit la variabilité intra-classe tout en préservant la séparation des classes par des projections sur des unions d'espaces linéaires. Il est implémenté dans un réseau convolutionnel profond avec un algorithme d'homotopie ayant une convergence exponentielle. Une preuve de convergence est donnée dans un cadre général qui inclut ALISTA. Les résultats de la classification sont analysés sur ImageNet.