利用迁移学习与域对抗方法增强 ImageNet 训练网络中的形状偏置

Francis Brochu

利用迁移学习与域对抗方法增强 ImageNet 训练网络中的形状偏置

计算机视觉与模式识别 2019-07-31 v1 机器学习机器学习

作者: Francis Brochu

摘要

卷积神经网络（CNNs）已成为从图像数据中学习的最先进方法。然而，近期研究表明，其表征中可能包含纹理与颜色偏置，这与它们学习图像内容形状以及人类生物学习的直觉相悖。因此，近期工作试图增强 CNN 中的形状偏置，以在任务上训练更鲁棒且更准确的网络。其中一种方法使用风格迁移以消除数据中的纹理线索。本工作在四个图像分类数据集上复现该方法，并将该方法扩展为使用域对抗训练以进一步增强所学表征中的形状偏置。结果表明，所提方法增强了 CNN 的鲁棒性与形状偏置，但未带来准确率的提升。

关键词

形状偏置卷积神经网络 ImageNet 迁移学习域对抗训练风格迁移

引用

@article{arxiv.1907.12892,
  title  = {Increasing Shape Bias in ImageNet-Trained Networks Using Transfer Learning and Domain-Adversarial Methods},
  author = {Francis Brochu},
  journal= {arXiv preprint arXiv:1907.12892},
  year   = {2019}
}

相关论文

查看更多相关论文 →