通过对抗训练改进填充水平分类
计算机视觉与模式识别
2021-06-17 v2 机器学习
摘要
我们研究从单幅图像分类杯或玻璃杯中内容物水平的问题。该问题因透明度、形状变化与部分遮挡引起的若干歧义，以及仅有小规模训练数据集可用而具挑战性。本文以恰当的迁移学习策略应对此问题。具体而言，我们在一个通用源数据集上使用对抗训练，随后用特定任务数据集精炼训练。我们还讨论并实验评估了多种训练策略及其在CORSMAL Containers Manipulation数据集一系列容器类型上的组合。我们表明，在源域中结合对抗训练的迁移学习持续提升测试集上的分类准确率，并限制分类器对训练数据特定特征的过拟合。
引用
@article{arxiv.2102.04057,
title = {Improving filling level classification with adversarial training},
author = {Apostolos Modas and Alessio Xompero and Ricardo Sanchez-Matilla and Pascal Frossard and Andrea Cavallaro},
journal= {arXiv preprint arXiv:2102.04057},
year = {2021}
}
备注
Accepted to the 28th IEEE International Conference on Image Processing (ICIP) 2021