面向小样本训练的CNN滤波器结构与强度学习
计算机视觉与模式识别
2018-04-02 v1
摘要
卷积神经网络在多个计算机视觉问题上提供了SOTA的结果。然而，由于CNN中参数数量庞大，它们需要大量训练样本，这成为小样本问题的限制因素。为解决这一局限性，我们提出了SSF-CNN，专注于学习滤波器的结构和强度。滤波器的结构使用基于字典的滤波器学习算法进行初始化，滤波器的强度则使用小样本训练数据进行学习。该架构提供了使用小型和大型训练数据库进行训练的灵活性，即使在训练数据量较小的情况下也能产生良好的准确率。该算法的有效性首先在具有不同数量训练样本的MNIST、CIFAR10和NORB数据库上得到验证。结果表明，SSF-CNN显著减少了训练所需的参数数量，同时在测试数据库上提供了高准确率。在新生儿人脸识别和Omniglot等小样本问题上，它取得了SOTA的结果。具体而言，在IIITD新生儿人脸数据库上，结果表明rank-1识别准确率至少提高了10%。
引用
@article{arxiv.1803.11405,
title = {Learning Structure and Strength of CNN Filters for Small Sample Size Training},
author = {Rohit Keshari and Mayank Vatsa and Richa Singh and Afzel Noore},
journal= {arXiv preprint arXiv:1803.11405},
year = {2018}
}
备注
10 pages, 9 figures, Accepted in CVPR 2018