卷积神经网络图像分类的实用技巧集
计算机视觉与模式识别
2018-12-07 v2
摘要
近期图像分类研究取得的诸多进展可归功于训练过程的改进，例如数据增强与优化方法的变化。然而在文献中，多数改进要么作为实现细节被简要提及，要么仅见于源代码。本文中，我们将考察这样一组改进，并通过消融研究实证评估它们对最终模型精度的影响。我们将展示，通过将这些改进组合在一起，能够显著改进各类CNN模型。例如，在ImageNet上将ResNet-50的top-1验证准确率从75.3%提升至79.29%。我们还将证明，图像分类准确率的提升可带来其他应用域（如目标检测与语义分割）中更好的迁移学习性能。
引用
@article{arxiv.1812.01187,
title = {Bag of Tricks for Image Classification with Convolutional Neural Networks},
author = {Tong He and Zhi Zhang and Hang Zhang and Zhongyue Zhang and Junyuan Xie and Mu Li},
journal= {arXiv preprint arXiv:1812.01187},
year = {2018}
}
备注
10 pages, 9 tables, 4 figures