建模广义专家方法以训练质量鲁棒的快照集成
计算机视觉与模式识别
2022-06-14 v1 人工智能
摘要
卷积神经网络（CNNs）因能够学习判别性视觉特征，在食物图像识别中表现良好。然而，识别失真图像对现有CNNs而言具有挑战性。因此，本研究建模了一种广义专家方法以训练质量鲁棒的集成。该方法帮助集成框架中的模型保留识别干净图像的通用技能，以及在某一特定失真上具有一种深度专长的、分类噪声图像的浅层技能。随后，一种新颖的数据增强随机质量混合（RQMixUp）与快照集成相结合来训练G-Specialist。在G-Specialist的每个训练周期中，模型在由RQMixup生成的合成图像上微调，这些图像在随机选定水平上混合了某一特定失真的干净与失真图像。结果，集成中的每个快照获得了在若干失真水平上的专长，并对其他质量失真具有浅层技能。接下来，融合来自不同专家的特征图输出以提高精度。该学习过程无额外成本，因为仅需单次训练过程来训练专家，且兼容多种用于迁移监督学习的CNNs。最后，在三个真实世界食物库和一个马来西亚食物库上的实验分析显示，对失真图像有显著改进，同时在原始食物图像上具竞争力的分类性能。
引用
@article{arxiv.2206.05853,
title = {Modeling Generalized Specialist Approach To Train Quality Resilient Snapshot Ensemble},
author = {Ghalib Ahmed Tahir and Chu Kiong Loo and Zongying Liu},
journal= {arXiv preprint arXiv:2206.05853},
year = {2022}
}