将mixup用作正则化并调优ResNets超参数
计算机视觉与模式识别
2021-11-24 v1 机器学习
摘要
尽管新颖的计算机视觉架构正获得关注,但模型架构的影响常与训练方法的改变或探索相关。基于恒等映射的架构ResNets与DenseNets曾在图像分类任务中承诺突破性结果,且即便在数据相当有限时至今仍是首选方法。考虑到有限资源下训练的便捷性,本工作重访ResNets,并通过将mixup数据增强用作正则化及调优超参数来改进ResNet50 \cite{resnets}。
引用
@article{arxiv.2111.11616,
title = {Using mixup as regularization and tuning hyper-parameters for ResNets},
author = {Venkata Bhanu Teja Pallakonda},
journal= {arXiv preprint arXiv:2111.11616},
year = {2021}
}
备注
6 pages, 7 figures, 2 tables