更好的 ImageNet 模型迁移得更好吗……用于图像推荐？
信息检索
2018-09-26 v3 机器学习
摘要
在 ImageNet 数据集上为 ILSVRC 挑战赛训练的卷积神经网络（CNN）的视觉嵌入，已展现出一贯良好的迁移学习性能，并被广泛用于包括图像推荐在内的若干任务。然而，为将这些嵌入用于更广的推荐领域，一些重要问题尚待回答：a) 在 ImageNet 上表现更好的 CNN 是否也更适合基于内容的图像推荐中的迁移学习？b) 微调是否有助于提升性能？c) 执行微调的最佳方式是什么？本文比较了多个以 ImageNet 预训练的 CNN 模型，以评估它们向艺术品图像推荐任务的迁移学习性能。我们的结果表明，在 ImageNet 挑战赛中表现更优的模型并不总意味着更好的推荐任务迁移学习（例如 NASNet 对比 ResNet）。结果还显示，即便在小型数据集上微调也可能有帮助，但并非每种微调都有效。我们的结果可为其 CNN 训练以更好迁移至图像推荐系统的其他研究人员与从业者提供参考。
引用
@article{arxiv.1807.09870,
title = {Do Better ImageNet Models Transfer Better... for Image Recommendation?},
author = {Felipe del Rio and Pablo Messina and Vicente Dominguez and Denis Parra},
journal= {arXiv preprint arXiv:1807.09870},
year = {2018}
}
备注
Submitted to KTL Workshop co-located at RecSys