精化深度卷积神经网络架构
计算机视觉与模式识别
2016-04-26 v1
摘要
深度卷积神经网络（CNN）近期在各种图像识别任务中取得了巨大成功。然而，深度学习研究中一个至关重要的问题尚未得到解答——所选 CNN 就准确率和模型大小而言对该数据集是否最优？本文旨在回答此问题，并引入一种新颖策略，为特定数据集改变给定 CNN 的架构，以潜在地提升原始准确率同时可能减小模型大小。我们使用两种架构精化操作，即拉伸与对称分割。我们的过程从给定数据集上的预训练 CNN 开始，并跨网络最优地决定拉伸与分割因子以精化架构。我们通过经验证明了这两种操作的必要性。我们在两个自然场景属性数据集 SUN Attributes 和 CAMIT-NSAD 上，使用构造迥异的 GoogleNet 和 VGG-11 架构评估了我们的方法。我们论证了数据集选择的合理性，并表明它们彼此有趣地不同，且共同对我们的架构精化算法提出了挑战。我们的结果证实了所提方法的有效性。
引用
@article{arxiv.1604.06832,
title = {Refining Architectures of Deep Convolutional Neural Networks},
author = {Sukrit Shankar and Duncan Robertson and Yani Ioannou and Antonio Criminisi and Roberto Cipolla},
journal= {arXiv preprint arXiv:1604.06832},
year = {2016}
}
备注
9 pages, 6 figures, CVPR 2016