面部表情分类的超参数优化与提升：一个“空”模型能有多好？
计算机视觉与模式识别
2013-06-17 v1 机器学习
机器学习
摘要
ICML 表示学习与表征研讨会的目标之一是为一个新的带标签面部表情数据集建立基准分数。本文展示了一个“空”模型的性能，该模型由具有随机权重的卷积、主成分分析（PCA）、池化、归一化和线性读出层组成。我们的方法侧重于超参数优化，而非 novel 模型组件。在 Kaggle 网站举办的面部表情识别挑战赛中，我们的超参数优化方法在测试数据上取得了 60% 的准确率。本文还介绍了一种新的集成构建变体，将超参数优化与集成构建相结合。该算法构建了一个由四个模型组成的集成，准确率达到 65.5%。这些分数在 56 个参赛队伍中分别排名第 12 位和第 5 位。值得注意的是，我们的方法是在数据集发布之前开发的，并且未经修改直接应用；我们在激烈竞争中的表现表明，编码在我们空模型中的 TPE 超参数优化算法和领域专业知识可以泛化到新的图像分类数据集。
引用
@article{arxiv.1306.3476,
title = {Hyperparameter Optimization and Boosting for Classifying Facial Expressions: How good can a "Null" Model be?},
author = {James Bergstra and David D. Cox},
journal= {arXiv preprint arXiv:1306.3476},
year = {2013}
}
备注
Presented at the Workshop on Representation and Learning, ICML 2013