应用于图像目标识别的卷积神经网络最佳实践
计算机视觉与模式识别
2019-10-30 v1 机器学习
图像与视频处理
摘要
本研究项目考察卷积神经网络（CNN）在图像分类任务中的影响。我们利用 ReLU、Nesterov 加速梯度、dropout 与 maxout 网络探索不同架构与训练配置。我们基于 Kaggle 竞赛使用 CIFAR-10 数据集进行图像目标识别。初步结果表明 CNN 作为不变特征检测器优于基线方法。不同预处理流程的比较显示全局对比度归一化与 ZCA 白化效果更优。ReLU 比 tanh 单元快得多且优于 sigmoid。我们详尽给出训练超参数及其选取直觉，以助类似情形下提升学习。我们设计 4 种 CNN 模型，探究深度、特征图数量、核尺寸与重叠、池化区域及不同子采样技术等特性。结果偏好具有适中深度且在卷积层与全连接层均使用大量参数的模型。Maxout 网络在部分模型上优于整流器，但随着全连接层复杂度增加引入过多噪声。末节讨论解释结果并给出可提升性能的补充技术。
引用
@article{arxiv.1910.13029,
title = {Best Practices for Convolutional Neural Networks Applied to Object Recognition in Images},
author = {Anderson de Andrade},
journal= {arXiv preprint arXiv:1910.13029},
year = {2019}
}