漫谈Deep PCA与PCANet

本文主要是介绍漫谈Deep PCA与PCANet，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

　　又到了无聊的写博客的时间了，由于电脑在跑程序，目前无事可做，我觉得把昨天我看的一些论文方面的知识拿出来和大家分享一下。

　　美其名曰我是在研究”深度学习“，不过由于本人是穷屌丝一个，买不起GPU（当然明年我准备入手一块显卡来玩玩），因此这半年我找了个深度学习中的一个”便宜“的方向——PCANet。

　　首先给出PCANet的原始文献《PCANet：A Simple Deep Learning Baseline for Image Classification》，这时在稀疏表示大牛Ma Yi的主页上看到的，当时眼前一亮，觉得这个确实不错。这个分享一些相关资源：

　　（1）原始文档以及源码：PCANet的Homepage

　　（2）C++版PCANet源码：C++版PCANet

　　（3）原始文档的中文翻译：PCANet中文版

　　稍后我会将源码详解总结为博客与大家分享。

　　当然，在这篇文章中我并不打算在重复去解释PCANet相关的一些知识（网上已经有很多类似的博客），写这篇博客的目的是因为昨天我看到了PCANet的前身：Deep PCA，对应文献的名称为：《Face Recognition Using Deep PCA》，这篇文章网上应该很容易找到，当然也可以直接在下面留言或者发邮件，我看到之后会及时把论文发给大家。

　　没错，当我看到Deep PCA时，第一印象就是”这是PCANet的老爸“，接下来我们详细的对比分析一下这两个方法。

　　1、网络结构

　　Deep PCA结构如下：

　　PCANet结构如下：

　　接下来简单分析一下两者的异同：

　　（1）两者网络册数相同，都是一个双层网络

　　（2）所用分类器相同。两者在最终分类器的选择上都不约而同的选择了K近邻分类器（KNN），一个很重要的原因是他们都通过单训练样本来进行的分类。

　　（3）每层的滤波器个数不同。Deep PCA每层都只有一个滤波器，PCANet第一层有八个滤波器，第二层也是八个滤波器（也就是PCA映射核，原文献中有明确说明）。

　　（4）特征提取手段不同。Deep PCA将第一层和第二层的特征融合后作为提取到的特征，相当于进行了层间特征融合，而PCANet只使用了第二层的输出特征作为提取到的深度特征，没有层间特征融合的思想。

　　2、算法流程

　　在算法设计方面Deep PCA要比PCANet简单许多，因此我们重点描述PCANet的算法流程，然后在针对他们之间的差异进行讨论。PCANet的算法流程如下：

　　详细的算法描述参见PCANet中文版。这里概括的描述一下关键算法流程。首先是第一层的PCA映射分解：

　　然后是在第二层，以第一层的输出为输入，再次进行一次PCA映射分解：

　　然后取第二层的映射输出，进行哈希编码：

　　然后进行直方图编码，作为特征输出：

　　以上是PCANet的算法流程，接下来我们介绍Deep PCA的算法流程：

　　首先对训练样本进行ZCA白化：

　　然后在第一层，进行一次PCA映射：

　　然后在第二层，以第一层的结果为输出，再次进行一次PCA映射：

　　然后将两次映射的结果融合成特征向量进行输出，特征提取完成。

　　分析一下两者在算法层面上的异同点：

　　（1）预处理方面，Deep PCA首先对训练样本进行了ZCA白化，而PCANet则没有这一步处理过程。

　　（2）Deep PCA用的是传统的一维PCA，而PCANet则是使用了2DPCA（这点非常重要）。

　　（3）Deep PCA直接将映射结果作为了特征，而PCANet则是将得到的特征先进行哈希编码，再直方图分块编码后，再进行的特征输出，这也造成了两者在输出特征的维数上产生了巨大差异，Deep PCA第一层和第二层分别为500维和150维，而PCANet的特征输出则高达几十万维。

　　以上就是Deep PCA和PCANet的一些异同点，之前在读论文时感觉这个有点价值，就顺手写了出来。而且在写这篇博客时我貌似有点发烧，并且还恰好被老师批评了一通，因此语言表达可能不到位，可能有几个错别字，大家见谅。

这篇关于漫谈Deep PCA与PCANet的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---