在卷积神经网络中复合集成技术的性能提升
计算机视觉与模式识别
2020-03-16 v2
摘要
近期图像分类的研究已展示了多种提升卷积神经网络（CNN）性能的技术。然而，尝试组合现有技术以构建实用模型的做法仍不常见。在本研究中，我们进行了大量实验来验证：仔细组装这些技术并将其应用于基础CNN模型（如ResNet和MobileNet）能够在最小化吞吐量损失的同时提升模型的准确率和鲁棒性。我们提出的集成ResNet-50在ILSVRC2012验证集上top-1准确率从76.3%提升至82.78%，mCE从76.0%降至48.9%，mFR从57.7%降至32.3%。伴随这些提升，推理吞吐量仅从536下降至312。为验证迁移学习中的性能提升，我们在多个公开数据集上测试了细粒度分类和图像检索任务，结果表明骨干网络性能的提升显著促进了迁移学习性能。我们的方法在CVPR 2019的iFood竞赛细粒度视觉识别中获第一名，源代码与训练模型见 https://github.com/clovaai/assembled-cnn。
引用
@article{arxiv.2001.06268,
title = {Compounding the Performance Improvements of Assembled Techniques in a Convolutional Neural Network},
author = {Jungkyu Lee and Taeryun Won and Tae Kwan Lee and Hyemin Lee and Geonmo Gu and Kiho Hong},
journal= {arXiv preprint arXiv:2001.06268},
year = {2020}
}
备注
9 pages, 2 figures, 18 tables