用于大规模航拍图像块卷积网络训练的哈希二分搜索采样
计算机视觉与模式识别
2017-07-19 v1
摘要
与地面真值图相关联的超大规模航拍图像有潜力为机器学习算法生成数十亿个训练图像块。然而，随机采样选择标准往往导致模型训练出现冗余和噪声图像块。由于针对这一挑战的研究投入极少，现状导致了开发能在广阔地理场景中泛化的监督学习算法的机会被错失。此外，大规模机器学习的大量计算周期被浪费在处理噪声和冗余图像块上。我们展示了一个专门解决这些挑战的潜在框架，同时在人类居住地检测任务上进行评估。一种新颖的二分搜索树采样方案与基于核的哈希过程相结合，该过程利用从图像内容生成的二进制码将图像块映射到哈希桶中。该框架利用数十亿图像块中的固有冗余，提升主要保留高方差的样本，以加速算法训练并提高模型泛化能力。
引用
@article{arxiv.1707.05685,
title = {Hashed Binary Search Sampling for Convolutional Network Training with Large Overhead Image Patches},
author = {Dalton Lunga and Lexie Yang and Budhendra Bhaduri},
journal= {arXiv preprint arXiv:1707.05685},
year = {2017}
}
备注
4 pages, 5 figures, IGARSS 2017