Предложен новый метод распознавания изображений на основе крупномасштабного набора данных

Исследователи из Шэньчжэньского института передовых технологий (SIAT) Китайской академии наук предложили метод распознавания изображений продуктов с обучением руководству и шумному надзору. Исследование было опубликовано в разделе «Компьютерное зрение и понимание изображений».

Вместо того чтобы собирать изображения продуктов путем трудоемкой съемки изображений, команда представила новый крупномасштабный набор данных под названием Product-90. Набор данных, состоящий из более 140 тыс. изображений с 90 категориями, относился к Clothing1M (крупномасштабному общедоступному набору данных, предназначенному для обучения на основе зашумленных данных под наблюдением человека), но содержал гораздо больше категорий. Изображения были собраны из обзоров на сайтах электронной коммерции.

Чтобы избежать несвязанных изображений, исследователи также разработали простой, но эффективный метод обучения наведения (GL) для обучения сверхточных нейронных сетей (CNN) с шумным наблюдением.

Они провели всестороннюю оценку с использованием этого предлагаемого методического учебного метода для Продукта-90 и четырех общедоступных наборов данных, а именно Food101, Food-101N, Clothing1M и синтетического шума CIFAR-10.

На первом этапе они обучили базовую модель CNN (модель учителя) полному набору данных Product-90 (без чистого набора тестов). На втором этапе они обучили целевую сеть (студенческую сеть) на крупномасштабном шумном наборе и небольшом чистом учебном наборе с многозадачным обучением.

Результаты показали, что этот предложенный метод обучения руководству был более эффективным и простым, и он достиг производительности, превосходящей современные методы для этих наборов данных.

По материалам Techxplore

-=GadZZillA=-

Компьютерный системный администратор, веб-огородник, IT-шник, специалист по строительным материалам, создатель и администратор проекта "Лаборатория Рабочих Столов"

Вас также может заинтересовать...

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

 

Этот сайт использует Akismet для борьбы со спамом. Узнайте, как обрабатываются ваши данные комментариев.