SketchTransfer:探索细节不变性与深度网络所学抽象的一个挑战性新任务
计算机视觉与模式识别
2019-12-30 v1 机器学习
机器学习
摘要
深度网络在感知任务上取得了优异结果,但其对训练期间未见过的变化的泛化能力已受到日益审视。在本文中我们关注其对细节存在或缺失的不变性能力。例如,人类能够观看缺失许多视觉细节的卡通画,而无需被显式训练如此。作为另一例子,三维渲染软件是相对近期的发展,但人们能够理解此类渲染场景,即便它们缺失细节(考虑如《玩具总动员》之类的电影)。机器学习算法在此方面的失败表明人类能力与深度网络能力之间在泛化上存在显著差距。我们提出一个将使具体研究细节不变性问题更为容易的数据集。我们为此给出具体任务:SketchTransfer,并展示最先进的域迁移算法在此任务上仍举步维艰。在 MNIST SVHN 迁移上取得超过 95\% 准确率的最先进技术,在 SketchTransfer 任务上仅取得 59\% 准确率,这远优于随机(11\% 准确率)但落后于直接在标注草图上训练的分类器的 87\% 准确率。这表明该任务用当今最佳方法可入手,但仍有 substantial 改进空间。
引用
@article{arxiv.1912.11570,
title = {SketchTransfer: A Challenging New Task for Exploring Detail-Invariance and the Abstractions Learned by Deep Networks},
author = {Alex Lamb and Sherjil Ozair and Vikas Verma and David Ha},
journal= {arXiv preprint arXiv:1912.11570},
year = {2019}
}
备注
Accepted WACV 2020