基于视觉的机器学习算法用于分布外泛化
计算机视觉与模式识别
2023-08-29 v1 机器学习
摘要
在许多计算机视觉应用中，包括对象分割、分类、对象检测与重建，机器学习（ML）均展现出最先进的性能。如今，我们能够为这类应用构建具备真实世界精度的 ML 工具。然而，每个工具仅在其训练与开发所处的域内表现良好。通常，当我们在某一特定域的数据集上训练模型，并在另一未知域（称为分布外（OOD）数据集）上测试时，模型或 ML 工具的性能会下降。例如，当我们在真实世界图像上训练一个简单分类器，并将该模型应用于相同类别但不同域（如卡通、绘画或草图）时，ML 工具的性能令人失望。这带来了域泛化（DG）、域适应（DA）与域偏移方面的严峻挑战。为增强 ML 工具的能力，我们可以从头重建并重新训练模型，或进行迁移学习。本文中，我们对基于视觉的域特定与域泛化方法技术进行比较研究。本研究强调，简单的基于卷积神经网络（CNN）的深度学习方法在应对域偏移时表现不佳。实验在两个流行的基于视觉的基准 PACS 与 Office-Home 上进行。我们给出了域泛化方法与常规深度学习模型的实现流程。结果证实，与其他广泛方法相比，基于 CNN 的深度学习模型泛化能力较差。
引用
@article{arxiv.2301.06975,
title = {Vision Based Machine Learning Algorithms for Out-of-Distribution Generalisation},
author = {Hamza Riaz and Alan F. Smeaton},
journal= {arXiv preprint arXiv:2301.06975},
year = {2023}
}
备注
Computing Conference, 22-23 June 2023, London, United Kingdom. 15 pages, 5 Figures, 3 Tables