从稀缺信息中学习：利用合成数据对罗马精细陶器进行分类
计算机视觉与模式识别
2021-09-15 v1
摘要
本文考虑了一种具有挑战性的学习问题，即数据集规模过于有限，无法泛化到训练集之外。为应对这一挑战，我们提出一种迁移学习方法：首先在与原始物体特征相仿的合成数据集上训练模型。本研究中，物体为伦敦博物馆馆藏近乎完整的罗马朱砂陶器（terra sigillata）器物的智能手机照片。通过已发表的陶器器形剖面图提取仿制特征，使我们的合成数据生成器能够将专家知识整合进流程中。在初始训练之后，模型使用真实器物照片数据进行微调。我们通过跨多种流行深度学习架构、不同测试先验、并考量拍摄视角与器物严重损毁影响的详尽实验表明，所提出的混合方法能够构建具有适当泛化性能的分类器。该性能显著优于仅在原始数据上训练的分类器，显示出该方法在缓解小数据集学习这一根本问题上的前景。
引用
@article{arxiv.2107.01401,
title = {Learning from scarce information: using synthetic data to classify Roman fine ware pottery},
author = {Santos J. Núñez Jareño and Daniël P. van Helden and Evgeny M. Mirkes and Ivan Y. Tyukin and Penelope M. Allison},
journal= {arXiv preprint arXiv:2107.01401},
year = {2021}
}