通过嵌入空间增广高效训练深度卷积神经网络
计算机视觉与模式识别
2020-02-13 v1 机器学习
摘要
人工智能领域的近期进展由深度神经网络实现。在数据稀缺的应用中，迁移学习和数据增广技术常被用来改善深度学习模型的泛化能力。然而，用原始输入空间中的数据增广微调迁移模型，因对每个增广输入都要运行完整网络而计算成本高昂。当大型模型部署于计算和能量资源受限的嵌入式设备上时，这一点尤为关键。本工作中，我们提出一种方法，以纯粹作用于嵌入空间的近似增广替代原始输入空间中的增广。实验结果表明，所提方法大幅降低计算量，而模型精度受损可忽略。
引用
@article{arxiv.2002.04776,
title = {Efficient Training of Deep Convolutional Neural Networks by Augmentation in Embedding Space},
author = {Mohammad Saeed Abrishami and Amir Erfan Eshratifar and David Eigen and Yanzhi Wang and Shahin Nazarian and Massoud Pedram},
journal= {arXiv preprint arXiv:2002.04776},
year = {2020}
}