卷积神经网络在艺术图像上迁移学习的分析
计算机视觉与模式识别
2020-11-25 v2
摘要
从海量自然图像数据集进行迁移学习、深度神经网络的微调以及相应预训练网络的使用，已成为艺术分析应用事实上的核心。然而，迁移学习的效果仍知之甚少。本文中，我们首先使用可视化网络内部表征的技术，以提供网络在艺术图像上所学内容的认知线索。随后，借助特征空间与参数空间中的度量，以及在一组最大激活图像上计算的度量，我们对学习过程引入的变化进行定量分析。这些分析在多种迁移学习变体上进行。特别地，我们观察到网络可将某些预训练滤波器专门化到新图像模态，且较高层倾向于集中类别。最后，我们表明涉及中等规模艺术数据集的双重微调可改善在较小数据集上的分类，即使任务发生变化。
引用
@article{arxiv.2011.02727,
title = {An analysis of the transfer learning of convolutional neural networks for artistic images},
author = {Nicolas Gonthier and Yann Gousseau and Saïd Ladjal},
journal= {arXiv preprint arXiv:2011.02727},
year = {2020}
}
备注
Accepted at Workshop on Fine Art Pattern Extraction and Recognition (FAPER), ICPR, 2020