利用深度多任务学习中深度估计作为辅助任务最小化噪声与有限数据集规模对图像分类的影响
计算机视觉与模式识别
2022-08-23 v1
摘要
泛化能力是机器学习（ML）图像分类器的最终目标，而噪声与有限的数据集规模是其主要问题之一。我们通过利用深度多任务学习（dMTL）框架并将图像深度估计作为辅助任务来应对这些挑战。在一个定制且深度增强的 MNIST 数据集衍生版本上，我们表明 a) 多任务损失函数是实现 dMTL 最有效的方式，b) 有限的数据集规模主要导致分类不准确，以及 c) 深度估计主要受噪声影响。为进一步验证结果，我们手动标注了 NYU Depth V2 数据集以用于场景分类任务。作为对领域的贡献，我们以 python 原生格式将数据作为开源数据集公开，并提供了场景标签。我们在 MNIST 与 NYU-Depth-V2 上的实验表明，当数据集含噪声且样本数量有限时，dMTL 提升了分类器的泛化能力。
引用
@article{arxiv.2208.10390,
title = {Minimizing the Effect of Noise and Limited Dataset Size in Image Classification Using Depth Estimation as an Auxiliary Task with Deep Multitask Learning},
author = {Khashayar Namdar and Partoo Vafaeikia and Farzad Khalvati},
journal= {arXiv preprint arXiv:2208.10390},
year = {2022}
}