理解标签粒度对基于CNN的图像分类的影响
计算机视觉与模式识别
2019-01-23 v1
摘要
近年来，使用卷积神经网络(CNNs)的监督学习在图像分类任务中取得了巨大成功，大规模标注数据集对此成就贡献显著。然而，标签的定义往往依赖于具体应用。例如，一张猫的图像可被标为“猫”，或更具体地标为“波斯猫”。我们将此称为标签粒度。本文中，我们使用多个数据集进行了大量实验，以展示并分析基于细粒度标注（如“波斯猫”）的训练如何以及为何能提升CNN在粗粒度类别（此处为“猫”）上的分类准确率。实验结果表明，使用细粒度标签训练CNN可提升网络的优化与泛化能力，直观上因其促使网络学习更多特征，从而在所考虑的所有数据集上提高了粗粒度类别的分类准确率。此外，细粒度标签提升了CNN训练的数据效率。例如，仅使用总训练数据40%并以细粒度标签训练的CNN，可达到比使用全部训练数据并以粗粒度标签训练的CNN更高的准确率。这些结果指出了本工作的两种可能应用：(i) 在人力资源充足时，可通过以细粒度标签重新标注数据集来提升CNN性能；(ii) 在人力资源有限时，为提升CNN性能，与其收集更多训练数据，不如对数据集使用细粒度标签。我们进一步提出了一种称为平均混淆比(Average Confusion Ratio)的度量来刻画细粒度标注的有效性，并通过大量实验展示了其用途。代码见 https://github.com/cmu-enyac/Label-Granularity。
引用
@article{arxiv.1901.07012,
title = {Understanding the Impact of Label Granularity on CNN-based Image Classification},
author = {Zhuo Chen and Ruizhou Ding and Ting-Wu Chin and Diana Marculescu},
journal= {arXiv preprint arXiv:1901.07012},
year = {2019}
}
备注
10 pages. Accepted at DSBDA with ICDM