用于 CNN 利用特权信息学习的 VisualBackProp
计算机视觉与模式识别
2018-05-25 v1
摘要
在许多机器学习应用中,从医疗诊断到自动驾驶,先验知识的可用性可用于提高学习算法的预测性能,并将“物理”、“领域知识”或“常识”概念纳入机器学习系统的训练中,以及验证系统的约束/性质。我们探索了利用特权信息学习范式,并展示如何将特权信息(例如随每个样本的分类标签一起可用的分割掩码)纳入卷积神经网络的训练阶段。这是通过为 CNN 模型增加一个架构组件来实现的,该组件在训练过程中有效地将模型的注意力聚焦于输入图像的期望区域,并且在测试时对网络的标签预测机制是透明的。该组件有效地对应于用于识别输入中贡献最大的部分(通常称为可视化掩码)的可视化策略,但相对于经典设置以反向方式使用该策略,以强制实现期望的可视化掩码。我们通过在基准 ImageNet 和 PASCAL VOC 数据集上的详尽实验验证了所提出的算法,并实现了相对于标准单监督模型训练 和 的性能提升。最后,我们在皮肤病变分类问题上确认了我们方法的有效性。
引用
@article{arxiv.1805.09474,
title = {VisualBackProp for learning using privileged information with CNNs},
author = {Devansh Bisla and Anna Choromanska},
journal= {arXiv preprint arXiv:1805.09474},
year = {2018}
}