使用 Perlin 噪声初始化以训练有限数据量的网络
计算机视觉与模式识别
2021-01-20 v1
摘要
我们提出一种新颖的基于 Perlin 噪声的网络初始化方法，用于以有限数据量训练图像分类网络。我们的主要思想是通过求解一个人工噪声分类问题来初始化网络参数，其目的是将 Perlin 噪声样本分类到各自的噪声类别中。具体而言，所提方法包含两步。首先，生成基于噪声复杂度定义类别标签的 Perlin 噪声样本。其次，求解一个分类问题，其中优化网络参数以对生成的噪声样本进行分类。该方法为图像分类产生了一组合理的初始权重（滤波器）。据我们所知，这是首个在不使用任何真实世界图像的情况下通过求解人工优化问题来初始化网络的工作。我们的实验表明，所提方法在四个图像分类数据集上优于传统的初始化方法。
引用
@article{arxiv.2101.07406,
title = {Initialization Using Perlin Noise for Training Networks with a Limited Amount of Data},
author = {Nakamasa Inoue and Eisuke Yamagata and Hirokatsu Kataoka},
journal= {arXiv preprint arXiv:2101.07406},
year = {2021}
}
备注
Accepted to ICPR2020