针对自动生成与标注植物图像的分类学习曲线研究
机器学习
2022-07-01 v3
摘要
在监督机器学习背景下,学习曲线描述模型在未见数据上的性能与用于训练模型的样本量之间的关系。本文给出一个植物图像数据集,包含曼尼托巴草原常见作物与杂草在不同生长阶段的样本。我们基于 ResNet 架构确定了该数据上分类任务的学习曲线。我们的结果与先前研究一致,并补充了证据表明学习曲线在大规模、应用和模型上受幂律关系支配。我们进一步研究了标签噪声与可训练参数减少对该数据集上学习曲线的影响。两种效应均导致模型需要不成比例更大的训练集,才能达到无这些效应时观察到的相同分类性能。
引用
@article{arxiv.2205.10955,
title = {Investigating classification learning curves for automatically generated and labelled plant images},
author = {Michael A. Beck and Christopher P. Bidinosti and Christopher J. Henry and Manisha Ajmani},
journal= {arXiv preprint arXiv:2205.10955},
year = {2022}
}