Torchvision 预训练模型在细粒度物种间分类上的综合研究
计算机视觉与模式识别
2021-10-15 v1 机器学习
摘要
本研究旨在探索 PyTorch 库中 Torchvision 包所提供的不同预训练模型，并考察它们在细粒度图像分类上的有效性。迁移学习是一种在训练数据不足时获得极好性能的有效方法。在许多现实场景中，人们无法收集到高效训练深度神经网络模型所需的充足数据。迁移学习模型在大型数据集上预训练，并能在较小数据集上以显著更短的训练时间带来良好性能。Torchvision 包为我们提供了许多可应用于较小数据集上的迁移学习模型。因此，研究者可能需要选择优良模型的指导。我们在四个不同数据集上考察 Torchvision 预训练模型：10 Monkey Species、225 Bird Species、Fruits 360 与 Oxford 102 Flowers。这些数据集具有不同分辨率、类别数及可达准确率的图像。我们还应用其常规全连接层与 Spinal 全连接层以考察 SpinalNet 的有效性。Spinal 全连接层在大多数情况下带来更优性能。我们对同一数据集上的不同模型应用相同增强以保证公平比较。本文可帮助未来的计算机视觉研究者在选择合适的迁移学习模型时提供参考。
引用
@article{arxiv.2110.07097,
title = {A Comprehensive Study on Torchvision Pre-trained Models for Fine-grained Inter-species Classification},
author = {Feras Albardi and H M Dipu Kabir and Md Mahbub Islam Bhuiyan and Parham M. Kebria and Abbas Khosravi and Saeid Nahavandi},
journal= {arXiv preprint arXiv:2110.07097},
year = {2021}
}
备注
Accepted