面向大规模图像分类的专家网络
计算机视觉与模式识别
2017-04-20 v3
摘要
我们提出了一种用于大规模图像分类的树状结构网络架构。网络的主干包含针对所有类别优化的卷积层。在给定深度处，主干分裂为独立分支，每个分支专门用于区分不同的类别子集。每个分支充当专家，对一组难以区分的类别进行分类，而主干则以共享特征的形式为所有专家提供公共知识。我们的“专家网络”的训练是完全端到端的：类别划分为不相交子集的过程与网络主干的参数同时学习，并且通过在所有类别上最小化单一学习目标对专家进行联合训练。所提出的结构可以由任何现有的卷积神经网络（CNN）构建。我们通过将4种流行的用于图像分类的CNN适配为专家网络的形式来证明其通用性。我们在CIFAR100和ImageNet上的实验表明，在每种情况下，我们的方法都比基础CNN在准确率上有显著提升，并取得了迄今为止在CIFAR100上的最佳结果。最后，准确率的提升带来的额外成本很小：与基础网络相比，训练时间仅适度增加，参数数量相当，在某些情况下甚至更少。
引用
@article{arxiv.1604.06119,
title = {Network of Experts for Large-Scale Image Categorization},
author = {Karim Ahmed and Mohammad Haris Baig and Lorenzo Torresani},
journal= {arXiv preprint arXiv:1604.06119},
year = {2017}
}
备注
ECCV 2016