一种使用迁移学习的新型通道增强卷积神经网络
计算机视觉与模式识别
2020-07-07 v5
摘要
我们提出了一种深度卷积神经网络（CNN）中通道增强（Channel Boosting）的新架构增强方法。该通道增强思想同时利用了 CNN 的通道维度（从多个输入通道学习）与迁移学习（TL）。TL 被用于两个不同的阶段：通道生成与通道利用。在所提方法中，深度 CNN 通过 TL 从已训练的深度神经网络获得的各种通道及其原始通道得到增强。CNN 的深度架构随后沿数据流利用原始与增强通道来学习判别性模式。由于数据的高维与不平衡特性，电信中的流失预测是一项具有挑战性的任务。因此，采用流失预测数据来评估所提通道增强 CNN（CB CNN）的性能。在第一阶段，使用堆叠自编码器提取信息丰富的判别性特征，然后在第二阶段将这些特征与原始特征结合以形成通道增强图像。最后，通过采用 TL 来利用预训练 CNN 所获得的知识。结果令人鼓舞，并显示了通道增强概念在通过学习流失用户与非流失用户间细微差异来解决复杂分类问题方面的能力。所提工作验证了近期 CNN 架构演进中观察到的现象：CNN 架构的创新性重构可提升网络的表征能力。
引用
@article{arxiv.1804.08528,
title = {A New Channel Boosted Convolutional Neural Network using Transfer Learning},
author = {Asifullah Khan and Anabia Sohail and Amna Ali},
journal= {arXiv preprint arXiv:1804.08528},
year = {2020}
}
备注
24 Pages, 5 Figures, 1 Table