隐式背景模型的鲁棒性与过拟合行为

Shirley Liu; Charles Lehman; Ghassan AlRegib

隐式背景模型的鲁棒性与过拟合行为

计算机视觉与模式识别 2020-08-24 v1 机器学习

作者: Shirley Liu , Charles Lehman , Ghassan AlRegib

摘要

在本文中，我们考察了经隐式背景估计（SCrIBE）修改的图像分类模型的过拟合行为，SCrIBE 将模型转变为弱监督分割模型，在不影响性能的情况下提供空间域可视化。利用分割掩码，我们推导出一种不需要测试标签的过拟合检测准则。此外，我们评估了在应用数据增强作为过拟合缓解措施以及在不同类型失真图像上测试后，模型性能、校准和分割掩码的变化。

关键词

隐式背景估计图像分类过拟合检测弱监督分割数据增强模型鲁棒性

引用

@article{arxiv.2008.09306,
  title  = {Robustness and Overfitting Behavior of Implicit Background Models},
  author = {Shirley Liu and Charles Lehman and Ghassan AlRegib},
  journal= {arXiv preprint arXiv:2008.09306},
  year   = {2020}
}