人助显著性图提升深度学习的泛化能力
计算机视觉与模式识别
2021-10-22 v2
摘要
深度学习在许多计算机视觉问题上带来了显著的准确率提升。一个持续的挑战是在训练数据有限的情况下如何取得最高准确率。第二个持续挑战是训练好的模型即便面对主观上与训练集相似的新数据也常常泛化不佳。我们以新颖的方式应对这些挑战，首次（据我们所知）探索将人类关于图像显著区域的判断编码进训练数据。我们比较了在困难生物特征呈现攻击检测问题上，一个最先进深度学习算法在以下两种训练下的准确率与泛化性：（a）带有典型数据增强的原始图像，以及（b）经变换以编码人类关于显著图像区域判断的相同原始图像。后一种方法得到的模型实现了更高准确率与更好泛化，将 LivDet-Iris 2020 冠军的误差从 29.78% 降至 16.37%，并在留一攻击类型评估场景中取得令人印象深刻的泛化。本工作开辟了如何将人类智能嵌入深度学习训练策略以在有限训练数据下实现高准确率与泛化的新研究领域。
引用
@article{arxiv.2105.03492,
title = {Human-Aided Saliency Maps Improve Generalization of Deep Learning},
author = {Aidan Boyd and Kevin Bowyer and Adam Czajka},
journal= {arXiv preprint arXiv:2105.03492},
year = {2021}
}
备注
To appear at WACV 2022