整合増強分布による事前訓練ネットワークの性能向上【JST・京大機械翻訳】

Ahmad Touqeer; Jafarzadeh Mohsen; Dhamija Akshay Raj; Rabinowitz Ryan; Cruz Steve; Li Chunchun; Boult Terrance E.

プレプリント

J-GLOBAL ID：202202212584703425 整理番号：22P0277054

整合増強分布による事前訓練ネットワークの性能向上【JST・京大機械翻訳】

Enhanced Performance of Pre-Trained Networks by Matched Augmentation Distributions

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年01月19日プレプリントサーバーでの情報更新日： 2022年01月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

訓練と試験の間に分布不一致が存在し,画像が現代のCNNに供給される。最近の研究は,異なる分解能でネットワークを微調整または再訓練することにより,このギャップを埋めることを試みた。しかし,ネットワークの再訓練は,稀に安価であり,常に実行可能ではない。この目的のために,列車テスト分布シフトを扱い,事前訓練モデルの性能を強化するための簡単な解決策を提案した。特に,画像の中心作物に関する実行推論は,重要な識別情報が作れるので必ずしも最良ではないことを示した。代わりに,テスト画像のために複数のランダム作物に対する結果を組み合わせることを提案した。これは,列車時間増大と一致するだけでなく,入力画像の全カバレッジも提供する。著者らは,異なるレベル,すなわち,深い特徴レベル,ロジットレベル,およびソフトマックスレベルの平均化を通して,ランダム作物の表現を組み合わせる。最新の深層ネットワークの様々なファミリーに対して,そのような平均化は,画像当たり単一中心作物と比較して,より良い検証精度をもたらすことを実証した。ソフトマックス平均化は,任意の再訓練あるいは微調整を要求せずに,様々な事前訓練ネットワークに対して最良の性能をもたらす。バッチ処理による最新のGPUでは,事前訓練ネットワークの推論への論文のアプローチは,バッチ内のすべての画像が一度に処理されるので,本質的に自由である。【JST・京大機械翻訳】

, , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般

, , , ,

前のページに戻る