揭示预训练在大规模汽车共享平台中的有效性

深度学习的最新进展推动了多种智能交通应用的发展，尤其在汽车共享平台中。传统汽车共享服务的运营高度依赖人工进行车队管理，而现代汽车共享平台让用户在用车前后上传车辆图像，从而无需实地检查即可完成车辆巡检。为自动化上述巡检任务，已有方法采用深度神经网络，通常利用预训练这一在有限标注数据下建立有效模型的事实标准技术。由于处理车辆图像的相关从业者很可能受困于标注数据的缺乏，我们分析预训练有效性的细致类比具有重要意义。然而，先前研究对预训练有效性的关注甚少。受上述分析缺失的驱动，本研究提出一系列分析，以揭示汽车共享平台图像识别任务中多种预训练方法的有效性。我们在线上服务中设定了该平台的两个真实图像识别任务，将其置于多样本与少样本问题设定下，并细致考察了何种预训练方法在何种设定中取得最有效性能。此外，我们分析了预训练与微调如何向神经网络传递不同知识，以实现精确理解。