深度卷积神经网络作为通用特征提取器
计算机视觉与模式识别
2017-10-09 v1 机器学习
神经与进化计算
摘要
识别自然图像中的物体是一个涉及多个冲突目标的复杂问题。在大型数据集上训练的深度卷积神经网络取得了令人信服的结果，并且是当前该任务最先进的方法。然而，训练此类深度网络所需的长时间是主要缺点。我们通过重用先前训练的网络解决了这个问题。为此，我们首先在ILSVRC2012数据集上训练了一个深度卷积网络。然后我们保持学习到的卷积核不变，仅在不同数据集上重新训练分类部分。使用这种方法，我们在CIFAR-100上达到了67.68%的准确率，而之前的最先进结果为65.43%。此外，我们的研究结果表明卷积网络能够学习可用于不同任务的通用特征提取器。
引用
@article{arxiv.1710.02286,
title = {Deep Convolutional Neural Networks as Generic Feature Extractors},
author = {Lars Hertel and Erhardt Barth and Thomas Käster and Thomas Martinetz},
journal= {arXiv preprint arXiv:1710.02286},
year = {2017}
}
备注
4 pages, accepted version for publication in Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN), July 2015, Killarney, Ireland