用局部特征袋模型近似 CNN 在 ImageNet 上出奇地有效
计算机视觉与模式识别
2019-04-02 v1 机器学习
机器学习
摘要
深度神经网络（DNN）在许多复杂的感知任务上表现出色，但理解它们如何做出决策已被证明是极其困难的。我们在此介绍一种在 ImageNet 上高性能的 DNN 架构，其决策相当容易解释。我们的模型是 ResNet-50 架构的一个简单变体，称为 BagNet，它基于小局部图像特征的出现对图像进行分类，而不考虑它们的空间顺序。这一策略与深度学习兴起之前流行的局部特征袋（BoF）模型密切相关，并在 ImageNet 上达到了令人惊讶的高准确率（对于 33×33 像素特征为 87.6% 的 top-5，对于 17×17 像素特征为 Alexnet 性能）。对局部特征的限制使得直接分析图像每个部分如何影响分类变得简单明了。此外，BagNet 在特征敏感性、错误分布和图像部分之间的交互方面，表现得类似于最先进的深度神经网络，如 VGG-16、ResNet-152 或 DenseNet-169。这表明，近年来 DNN 相对于先前局部特征袋分类器的改进，主要是通过更好的微调实现的，而非通过定性不同的决策策略。
引用
@article{arxiv.1904.00760,
title = {Approximating CNNs with Bag-of-local-Features models works surprisingly well on ImageNet},
author = {Wieland Brendel and Matthias Bethge},
journal= {arXiv preprint arXiv:1904.00760},
year = {2019}
}
备注
Published as a conference paper at the Seventh International Conference on Learning Representations (ICLR 2019)