让旧模型重焕时尚：利用 Lattice Transformation 回收经典 CNN 网络
计算机视觉与模式识别
2021-09-29 v1 人工智能
摘要
在 20 世纪 90 年代初，CNN 时代初露端倪：LeCun 等人提出了一个由反向传播算法训练的 CNN 模型，用于对手写数字的低分辨率图像进行分类。毫无疑问，这是计算机视觉领域的一项突破。但随着其他分类方法的兴起，它一度过时。直到 2012 年，Krizhevsky 等人在 ImageNet 挑战赛中展示了显著更高的图像分类精度，重新唤起了人们对 CNN 的兴趣。从那时起，架构的复杂性呈指数级增长，许多结构迅速被淘汰。以多流网络为基础，结合特征融合准则，我们探索了所提出的 LCNN 交叉融合策略，以使用先前 SOTA 网络在图像分类上的骨干网络，从而发现该技术是否能让这些设计重返赛场。在本文中，我们展示了与原始结构相比，我们在 NORB 数据集上的准确率最高可提升 63.21%。然而，没有哪种技术是绝对完美的。虽然我们的目标是尽量复用以前的 SOTA 架构且仅做少量修改，但我们也指出了我们所探索策略的不足之处。
引用
@article{arxiv.2109.13885,
title = {Turning old models fashion again: Recycling classical CNN networks using the Lattice Transformation},
author = {Ana Paula G. S. de Almeida and Flavio de Barros Vidal},
journal= {arXiv preprint arXiv:2109.13885},
year = {2021}
}
备注
21 pages, 13 figures