残差网络用于图像识别的研究
计算机视觉与模式识别
2018-05-02 v1
摘要
深度神经网络在图像分类任务上表现出高性能，但同时更难训练。由于复杂性和梯度消失问题，训练更深的神经网络通常需要大量时间和更多计算力。深度残差网络（ResNets）相比同等神经网络能使训练过程更快并获得更高精度。ResNets 通过添加与卷积神经网络各层平行的简单跳跃连接实现此改进。在本项目中，我们首先设计了一个能在 Tiny ImageNet 数据集上高精度完成图像分类任务的 ResNet 模型，然后将该 ResNet 模型与同等卷积网络（ConvNet）的性能进行比较。我们的发现表明，尽管精度更高，ResNets 更容易过拟合。本文研究了几种防止过拟合的方法，如添加 dropout 层和对训练数据集进行随机增强。
引用
@article{arxiv.1805.00325,
title = {Study of Residual Networks for Image Recognition},
author = {Mohammad Sadegh Ebrahimi and Hossein Karkeh Abadi},
journal= {arXiv preprint arXiv:1805.00325},
year = {2018}
}
备注
6 pages, 9 figures