用膨胀卷积审视迁移学习架构
机器学习
2019-11-21 v1 计算机视觉与模式识别
机器学习
摘要
许多获奖的预训练卷积神经网络(CNN)都存在卷积层深度递增的普遍现象。然而，我们审视了提交至 ILSVRC-2014 的著名模型之一 VGG 网络，表明对基础架构的轻微修改即可提升图像分类任务的精度结果。本文中，我们提出两种改进型的预训练 VGG-16 与 VGG-19 网络架构，其在不同数据集上训练时应用了迁移学习。我们报告了针对原始 VGG 网络多种修改的一系列实验结果，并通过以下方式在图像分类任务上取得显著优于基线的表现：(1) 冻结卷积层的前两个块以防止过拟合；(2) 在卷积层的后三个块中应用不同的膨胀率组合以降低图像分辨率用于特征提取。所提两种架构在 CIFAR-10 与 CIFAR-100 数据集上均取得了具有竞争力的结果。
引用
@article{arxiv.1911.08769,
title = {Inspect Transfer Learning Architecture with Dilated Convolution},
author = {Syeda Noor Jaha Azim and Md. Aminur Rab Ratul},
journal= {arXiv preprint arXiv:1911.08769},
year = {2019}
}