有大神可以共享一下ImageNet哪里有数据集集吗

来源：蜘蛛抓取(WebSpider) 时间：2017-02-10 01:50 标签： 哪里有数据集
版权声明：本文为博主原创文章遵循 版权协议，转载请附上原文出处链接和本声明

本人想用pvanet训练自己的哪里有数据集集（标注格式与voc完全一致）最终想要生成压缩版（comp）的model，求大神阐述具体实现方法细节！感激不尽！

voc_2007_trainval相当于在作者给的imagenet的model上进行微调嘚Model识别效果还可以对于小目标的识别没有作者给的Model效果好，而且应该属于full版本的实时性一般

所以本人想请教到底应该如何训练comp版的model进洏提高实时性，同时想请教对于小目标的识别没有作者给的model好的原因以及改进办法！

玩深度学习的人都知道AI算法大蔀分是哪里有数据集驱动。哪里有数据集的质量一定程度上决定了模型的好坏

这就有了深度学习天生的一个短板：哪里有数据集不够多、不够好。

而哪里有数据集增强就是解决这一问题的有效办法

谷歌大脑去年提出了自动哪里有数据集增强方法(AutoAugment)，确实对图像分类和目标檢测等任务带来了益处

1、大规模采用这样的方法会增加训练复杂性、加大计算成本；
2、无法根据模型或哪里有数据集集大小调整正则化強度。

于是乎谷歌大脑团队又提出了一种哪里有数据集增强的方法——RandAugment。

谷歌大脑高级研究科学家Barret Zoph表示：

主要思想是随机选择变换调整它们的大小。

1、在ImageNet哪里有数据集集上实现了85.0%的准确率，比以前的水平提高了0.6%比基线增强了1.0%。

值得一提的是这项研究的通讯作者是穀歌AutoML幕后英雄的Quoc Viet Le大神。

这么好的技术当然开源了代码：

正如刚才说到的单独搜索是问题的关键点。

所以研究人员的目标就是消除哪里有數据集增强过程中对单独搜索的需求

再考虑到以往哪里有数据集增强方法都包含30多个参数，团队也将关注点转移到了如何大幅减少哪里囿数据集增强的参数空间

为了减少参数空间的同时保持哪里有数据集(图像)的多样性，研究人员用无参数过程替代了学习的策略和概率

這些策略和概率适用于每次变换(transformation)，该过程始终选择均匀概率为1/k的变换

也就是说，给定训练图像的N个变换RandAugment就能表示KN个潜在策略。

研究人員采用线性标度来表示每个转换的强度简单来说，就是每次变换都在0到10的整数范围内其中，10表示给定变换的最大范围

为了进一步缩尛参数空间，团队观察到每个转换的学习幅度(learned magnitude)在训练期间遵循类似的表：

并假设一个单一的全局失真M(global distortion M)可能就足以对所有转换进行参数化

這样，生成的算法便包含两个参数N和M还可以用两行Python代码简单表示：

因为这两个参数都是可人为解释的，所以N和M的值越大正则化强度就樾大。

可以使用标准方法高效地进行超参数优化但是考虑到极小的搜索空间，研究人员发现朴素网格搜索(naive grid search)是非常有效的

在实验部分，主要围绕图像分类和目标检测展开

这样就可以与之前的工作做比较，证明RandAugment在哪里有数据集增强方面的优势

哪里有数据集增强的一个前提是构建一个小的代理任务(proxy task)，这个任务可以反映一个较大的任务

研究人员挑战了这样一个假设：

用小型proxy task来描述问题适合于学习哪里有数據集的增强。

特别地从两个独立的维度来探讨这个问题，这两个维度通常被限制为实现小型proxy task：模型大小和哪里有数据集集大小

为了探究这一假设，研究人员系统地测量了哪里有数据集增强策略对CIFAR-10的影响结果如下图所示：

△最优增强量取决于模型和训练集的大小。

图(b)表礻在7种Wide-ResNet-28架构中随着变宽参数(k)的变化，所产生的最佳失真幅度

图(c)表示Wide-ResNet-28-10的三种训练集大小（1K，4K和10K）在各种失真幅度上的准确性

图(d)在8个训練集大小上的最佳失真幅度。

其中baseline是默认的哪里有数据集增强方法。

但值得注意点的是改进CIFAR-10和SVHN模型的哪里有数据集增强方法并不总是適用于ImageNet等大规模任务。

为了进一步测试这种方法的通用性研究人接下来在COCO哪里有数据集集上进行了大规模目标检测的相关任务。

我们知噵哪里有数据集增强可以提高预测性能例如图像分割，3-D感知语音识别或音频识别。

研究人员表示未来的工作将研究这种方法将如何應用于其他机器学习领域。

特别是希望更好地了解哪里有数据集集或任务是否/何时可能需要单独的搜索阶段才能获得最佳性能

最后，研究人员还抛出了一个悬而未决的问题：

如何针对给定的任务定制一组转换进一步提高给定模型的预测性能。

?'?' ? 追踪AI技术和产品新动態

戳右上角「+关注」获取最新资讯↗↗

如果喜欢请分享or点赞吧~比心?

我要回帖

更多关于 哪里有数据集 的文章

 

随机推荐