ImageNet上的进展能否迁移到真实世界数据集？
计算机视觉与模式识别
2023-01-12 v1
摘要
ImageNet上的进展能否迁移到真实世界数据集？我们通过评估在六个实用图像分类数据集上精度各异(57%–83%)的ImageNet预训练模型来研究此问题。特别地，我们研究以解决真实世界任务（例如，分类来自相机陷阱或卫星的图像）为目标收集的数据集，而非为比较模型而网络爬取的基准。在多个数据集上，具有更高ImageNet精度的模型并未一致地带来性能提升。对于某些任务，即便架构未改进，数据增强等干预措施也能改善性能。我们希望未来的基准包含更多样化的数据集，以鼓励更全面地改进学习算法。
引用
@article{arxiv.2301.04648,
title = {Head-Free Lightweight Semantic Segmentation with Linear Transformer},
author = {Bo Dong and Pichao Wang and Fan Wang},
journal= {arXiv preprint arXiv:2301.04648},
year = {2023}
}
备注
Accepted by AAAI2023; codes and models are available at https://github.com/dongbo811/AFFormer