用于大规模物种分类的深度 CNN
计算机视觉与模式识别
2021-02-04 v1
摘要
大规模图像分类是计算机视觉领域中的一个具有挑战性的问题。由于现实世界包含数十亿种不同的物体，理解流行技术与模型的性能对于将其应用于现实任务至关重要。本文中，我们评估了多种技术以及流行的基于 CNN 的深度学习架构，以在 iNaturalist 2019 Challenge 的数据集上执行大规模物种分类。结果表明，利用数据集剪枝和迁移学习的方法优于未使用这两种技术中任一种训练的模型。基于 ResNext 的分类器在 10 个训练周期内优于其他模型架构，并在 1,010 个物种的分类中取得了 0.68 的 top-one 验证错误率。
引用
@article{arxiv.2102.01863,
title = {Deep CNNs for large scale species classification},
author = {Raj Prateek Kosaraju},
journal= {arXiv preprint arXiv:2102.01863},
year = {2021}
}