用于技术域中数据高效缺陷分类的连体基函数网络
计算机视觉与模式识别
2021-09-29 v9 机器学习
摘要
在技术域中训练深度学习模型常伴随这样的挑战：尽管任务明确，但可用于训练的数据不足。在这项工作中，我们提出一种基于连体网络与径向基函数网络相结合的新方法，通过以数据高效的方式度量语义空间中图像间的距离，无需预训练即可实现数据高效分类。我们使用三个技术数据集（NEU 数据集、BSD 数据集和 TEX 数据集）开发模型。除技术域外，我们也展示了其对经典数据集（cifar10 和 MNIST）的普遍适用性。该方法通过逐步减少可用于训练的样本数量，与最先进模型（Resnet50 和 Resnet101）进行对比测试。作者表明所提方法在低数据情形下优于最先进模型。
引用
@article{arxiv.2012.01338,
title = {Siamese Basis Function Networks for Data-efficient Defect Classification in Technical Domains},
author = {Tobias Schlagenhauf and Faruk Yildirim and Benedikt Brückner},
journal= {arXiv preprint arXiv:2012.01338},
year = {2021}
}
备注
In the current version two contributing authors where added which where unfortunately missed in the last version