用于图像分类的数据高效深度学习方法：基于数据增强、焦点余弦损失与集成
计算机视觉与模式识别
2020-07-16 v1
摘要
一般而言，充足的数据对于深度学习模型获得更好性能与泛化能力至关重要。然而，数据收集的诸多限制（成本、资源等）导致大多数领域缺乏足够数据。此外，各数据源的领域差异与许可问题也造成充分数据收集的困难。这一状况使我们既难以利用预训练模型，也难以利用外部知识。因此，有效利用小规模数据集以取得更好性能十分重要。我们从数据、损失函数与预测三个方面应用若干技术，以实现用更少数据从头训练。借助这些方法，我们通过利用每类仅含 50 张图像的 ImageNet 数据取得了高准确率。此外，我们的模型在 Visual Inductive Printers for Data-Effective Computer Vision Challenge 中排名第四。
引用
@article{arxiv.2007.07805,
title = {Data-Efficient Deep Learning Method for Image Classification Using Data Augmentation, Focal Cosine Loss, and Ensemble},
author = {Byeongjo Kim and Chanran Kim and Jaehoon Lee and Jein Song and Gyoungsoo Park},
journal= {arXiv preprint arXiv:2007.07805},
year = {2020}
}
备注
7 pages, 2 figures, technical report of 1st Visual Inductive Priors for Data-Efficient Deep Learning Workshop Challenge in ECCV 2020