用于图像分类的层次化迁移卷积神经网络
计算机视觉与模式识别
2018-05-11 v2 机器学习
机器学习
摘要
在本文中，我们解决如何提升卷积神经网络（CNN）在图像分类早期学习阶段的泛化性能的问题。其动机源于实时应用要求 CNN 的泛化性能在有限训练时间内令人满意。为此，提出了一种新颖的层次化迁移 CNN 框架。它由一个浅层 CNN 组和一个云端 CNN 组成，其中浅层 CNN 先被训练，然后将训练好的浅层 CNN 的第一层用于初始化云端 CNN 的第一层。该方法将显著提升云端 CNN 的泛化性能，尤其在训练早期阶段。使用 CIFAR-10 和 ImageNet 数据集进行了实验以检验所提方法。结果表明，在早期学习阶段，CIFAR-10 情况下测试准确率平均提升 12% 且最高达 20%，而 ImageNet 情况下测试准确率提升 5%。还表明在不同 dropout 设置和浅层 CNN 数量下均获得了测试准确率的整体提升。
引用
@article{arxiv.1804.00021,
title = {Hierarchical Transfer Convolutional Neural Networks for Image Classification},
author = {Xishuang Dong and Hsiang-Huang Wu and Yuzhong Yan and Lijun Qian},
journal= {arXiv preprint arXiv:1804.00021},
year = {2018}
}