前视声纳图像识别中卷积网络的最佳实践
计算机视觉与模式识别
2017-09-11 v1
摘要
卷积神经网络（CNN）已经彻底改变了彩色图像的感知，其应用于声纳图像也取得了良好结果。但一般而言，若无大型数据集，CNN 难以训练，需要手动调整大量超参数，并且需要设计者做出许多审慎决策。本工作中，我们评估了 CNN 设计者需要做出的三个常见决策，即迁移学习的性能、目标/图像尺寸的影响以及训练集大小之间的关系。我们评估了三种 CNN 模型，一种基于 LeNet，另外两种基于 SqueezeNet 的 Fire 模块。我们的发现是：使用 SVM 的迁移学习表现非常好，即使训练集与迁移集没有共同类别，且即使目标数据集较小也能获得高分类性能。ADAM 优化器与批量归一化相结合可以制成高精度的 CNN 分类器，即使图像尺寸很小（16 像素）。每个类别至少需要 50 个样本才能获得 测试准确率，并且在小数据集时使用 Dropout 有助于提升性能，但当有大型数据集时批量归一化更佳。
引用
@article{arxiv.1709.02601,
title = {Best Practices in Convolutional Networks for Forward-Looking Sonar Image Recognition},
author = {Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:1709.02601},
year = {2017}
}
备注
Author version; IEEE/MTS Oceans 2017 Aberdeen