基于早期停止神经架构搜索的图像分类两阶段架构微调
计算机视觉与模式识别
2022-09-28 v3 人工智能
摘要
在许多深度神经网络（DNN）应用中，工业领域难以收集高质量数据阻碍了DNN的实际使用。因此，迁移学习的概念应运而生，其利用了在大规模数据集上训练的DNN的预训练知识。为此，本文受神经架构搜索（NAS）启发，提出了两阶段架构微调。主要思想之一是变异，其利用给定的架构信息降低搜索成本。此外，考虑了早期停止，通过提前终止搜索过程来削减NAS成本。实验结果验证了我们所提方法降低了32.4%的计算成本和22.3%的搜索成本。
引用
@article{arxiv.2202.08604,
title = {Two-stage architectural fine-tuning with neural architecture search using early-stopping in image classification},
author = {Youngkee Kim and Won Joon Yun and Youn Kyu Lee and Soyi Jung and Joongheon Kim},
journal= {arXiv preprint arXiv:2202.08604},
year = {2022}
}