面向大规模场景数据集的 Residual-CNDS
计算机视觉与模式识别
2019-02-27 v1
摘要
增加卷积神经网络 (CNNs) 的深度是提高其准确性的极具前景的方法。CNN 深度增加也会导致层数（参数）增多，从而引起反向传播收敛缓慢且易于过拟合。我们训练了我们的模型 (Residual-CNDS) 来对超大规模场景数据集 MIT Places 205 和 MIT Places 365-Standard 进行分类。来自这两个数据集的结果证明我们提出的模型 (Residual-CNDS) 有效处理了慢收敛、过拟合和退化问题。包含深度监督的 CNNs (CNDS) 通过在指定层计算消失项向深度卷积神经网络添加辅助分支，有效解决了收敛延迟和过拟合。然而，(CNDS) 并未解决退化问题；因此，在研究了添加残差学习的最佳位置后，我们在某些层的 (CNDS) 中加入了残差学习。通过该方法我们克服了极深网络中的退化。我们构建了两个模型 (Residual-CNDS 8) 和 (Residual-CNDS 10)。此外，我们在两个大规模数据集上测试了我们的模型，并将我们的结果与该领域中近期提出的尖端网络在 top-1 和 top-5 分类准确率上进行比较。结果表明，两个模型均有良好提升，这支持了添加残差连接在不增加任何计算复杂度的情况下增强了网络 CNDS 准确性的论断。
引用
@article{arxiv.1902.10030,
title = {Residual-CNDS for Grand Challenge Scene Dataset},
author = {Hussein A. Al-Barazanchi and Hussam Qassim and David Feinzimer and Abhishek Verma},
journal= {arXiv preprint arXiv:1902.10030},
year = {2019}
}