用于图像分类的视觉混淆标签树
计算机视觉与模式识别
2019-06-06 v1
摘要
卷积神经网络模型被广泛用于图像分类任务。然而，此类模型的运行时间过长，不符合移动设备严格的实时性要求。为优化模型并满足上述要求，我们提出一种用树分类器替换卷积神经网络模型全连接层的方法。具体而言，我们基于卷积神经网络模型的输出构建视觉混淆标签树（Visual Confusion Label Tree），并使用带有层次约束的多核 SVM 加性分类器训练该树分类器。聚焦于那些混淆子集而非全部类别集合，使树分类器更具判别力，而替换全连接层则缩短了原始运行时间。实验表明，在 CIFAR-100 和 ImageNet 数据集上，我们的树分类器在 top-1 准确率方面分别比当前最优的树分类器显著提升 4.3% 和 2.4%。此外，与 AlexNet 和 VGG16 上的全连接层相比，我们的方法在不降低准确率的情况下分别实现了 124 倍和 115 倍的加速比。
引用
@article{arxiv.1906.02012,
title = {Visual Confusion Label Tree For Image Classification},
author = {Yuntao Liu and Yong Dou and Ruochun Jin and Rongchun Li},
journal= {arXiv preprint arXiv:1906.02012},
year = {2019}
}
备注
9 pages, 5 figures, conference