面向图像分类的类别间学习
机器学习
2018-04-10 v2 计算机视觉与模式识别
机器学习
摘要
本文提出一种用于图像分类的新型学习方法，称为类别间学习（BC learning）。我们以随机比例混合属于不同类别的两幅图像来生成类别间图像。然后将混合图像输入模型并训练模型输出混合比例。BC 学习能够对边特征分布的形状施加约束，从而改善泛化能力。BC 学习最初是为可数字混合的声音开发的方法。混合两幅图像数据似乎没有意义；然而我们认为，由于卷积神经网络具有将输入数据视为波形的方面，在声音上有效的在图像上也必然有效。首先，我们提出一种使用内分的简单混合方法，其出人意料地被证明能显著改善性能。其次，我们提出一种将图像视为波形的混合方法，进一步改善了性能。结果，我们在 ImageNet-1K 和 CIFAR-10 上分别取得了 19.4% 和 2.26% 的 top-1 错误率。
引用
@article{arxiv.1711.10284,
title = {Between-class Learning for Image Classification},
author = {Yuji Tokozume and Yoshitaka Ushiku and Tatsuya Harada},
journal= {arXiv preprint arXiv:1711.10284},
year = {2018}
}
备注
11 pages, 8 figures, published as a conference paper at CVPR 2018