HD-CNN：用于大规模视觉识别的分层深度卷积神经网络
计算机视觉与模式识别
2018-04-03 v4 人工智能
机器学习
神经与进化计算
机器学习
摘要
在图像分类中，不同物体类别之间的视觉可分离性极不均匀，某些类别比其他类别更难区分。此类困难类别需要更专用的分类器。然而，现有的深度卷积神经网络（CNN）被训练为扁平的 N 路分类器，很少有人努力利用类别的层次结构。在本文中，我们通过将深度 CNN 嵌入到类别层次结构中，引入了分层深度 CNN（HD-CNN）。HD-CNN 使用粗粒度类别分类器分离简单类别，同时使用细粒度类别分类器区分困难类别。在 HD-CNN 训练期间，先进行组件式预训练，随后进行全局微调，并使用由粗粒度类别一致性项正则化的多项逻辑损失。此外，细粒度类别分类器的条件执行和层参数压缩使得 HD-CNN 可扩展至大规模视觉识别。我们在 CIFAR100 和大规模 ImageNet 1000 类基准数据集上均取得了最先进（state-of-the-art）的结果。在我们的实验中，我们构建了三种不同的 HD-CNN，它们分别将标准 CNN 的 top-1 错误率降低了 2.65%、3.1% 和 1.1%。
引用
@article{arxiv.1410.0736,
title = {HD-CNN: Hierarchical Deep Convolutional Neural Network for Large Scale Visual Recognition},
author = {Zhicheng Yan and Hao Zhang and Robinson Piramuthu and Vignesh Jagadeesh and Dennis DeCoste and Wei Di and Yizhou Yu},
journal= {arXiv preprint arXiv:1410.0736},
year = {2018}
}
备注
Add new results on ImageNet using VGG-16-layer building block net