人工智能借助遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度（特約點(diǎn)評(píng)：人工智能利用遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度對(duì)于對(duì)深度學(xué)習(xí)的領(lǐng)域提供了新的空間，這個(gè)創(chuàng)新點(diǎn)趣說人工智能必須推薦。來自網(wǎng)友小星的推薦?。?/p>

人工智能借助遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度簡介：人類識(shí)別和識(shí)別物體和紋理的能力是不容置疑的。在實(shí)踐中，無論光照，視角，風(fēng)格甚至圖形中的抽象層次如何，人類都能夠識(shí)別照片或圖片中的幾乎任何物體。但是，計(jì)算機(jī)并不像以前那樣發(fā)達(dá)，直到最近，自然圖像中對(duì)象的分類精度還沒有達(dá)到人類的水平。 2012年深度學(xué)習(xí)技術(shù)的出現(xiàn)是計(jì)算機(jī)視覺領(lǐng)域的一次重大革命，特別是圖像分類，準(zhǔn)確率達(dá)到95％以上。這些技術(shù)雖然對(duì)自然圖像非常有吸引力，但幾乎不能探索我們對(duì)圖像水平的認(rèn)知的另一個(gè)層面。

這些網(wǎng)絡(luò)成功的關(guān)鍵之一是可以獲得數(shù)十萬注釋自然圖像和策劃數(shù)據(jù)集，從而可以學(xué)習(xí)非常復(fù)雜和非線性的像素統(tǒng)計(jì)，關(guān)系和模式。但是，在時(shí)間和資源方面，培訓(xùn)這些網(wǎng)絡(luò)是一項(xiàng)非常昂貴的任務(wù)。因此，從頭開始訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)需要大量的注釋數(shù)據(jù)和強(qiáng)大的計(jì)算能力。為了克服這個(gè)問題，傳輸學(xué)習(xí)技術(shù)的目標(biāo)是使用現(xiàn)有的預(yù)先訓(xùn)練的體系結(jié)構(gòu)，并通過用更少的數(shù)據(jù)對(duì)它們進(jìn)行再訓(xùn)練或使用更簡單的機(jī)器學(xué)習(xí)算法對(duì)其高層進(jìn)行分類來使它們對(duì)新數(shù)據(jù)集有用。

人工智能借助遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度貢獻(xiàn)：在這項(xiàng)工作中，我們想要探索圖像領(lǐng)域，特別是插圖圖片，用于圖像分類任務(wù)。我們依賴的直覺是，在地方一級(jí)，插圖描繪的筆畫，邊緣或紋理統(tǒng)計(jì)數(shù)據(jù)與自然圖像中的數(shù)據(jù)截然不同。然而，在更高的層次上，構(gòu)成物體形狀的基本部分與其形狀保持完全一樣。我們開始使用公開可用的深度神經(jīng)網(wǎng)絡(luò)VGG-19 [SZ14]，它在包含超過120萬張圖像的自然圖像數(shù)據(jù)集ImaNet [RDS * 15]上進(jìn)行了訓(xùn)練。首先，我們用我們的由內(nèi)容標(biāo)記的插圖圖像的新穎數(shù)據(jù)集來評(píng)估這種網(wǎng)絡(luò)。注意到糟糕的性能，我們提出了一種自適應(yīng)的基于層的優(yōu)化策略，該策略只修改網(wǎng)絡(luò)的幾個(gè)層，使其更好地捕獲新內(nèi)容。因此，我們建議重新開始并訓(xùn)練捕捉圖像低級(jí)特征的圖層，因?yàn)檫@些圖層與自然圖像有所不同，同時(shí)保持與高層圖層相似。

本文的貢獻(xiàn)如下：- 我們提供一個(gè)由內(nèi)容標(biāo)記的插圖圖像的新數(shù)據(jù)集。- 我們用我們的新數(shù)據(jù)集評(píng)估現(xiàn)有體系結(jié)構(gòu)[SZ14]的性能。- 我們提出了兩種基于轉(zhuǎn)移學(xué)習(xí)技術(shù)的新型模型 - 為我們的數(shù)據(jù)進(jìn)行了優(yōu)化。***種模式利用傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)，并需要少量的新數(shù)據(jù)用于培訓(xùn)。第二種優(yōu)化模型需要較大的訓(xùn)練數(shù)據(jù)集，但要利用原始網(wǎng)絡(luò)中已有的信息，因此如果我們從頭開始訓(xùn)練網(wǎng)絡(luò)，則需要的數(shù)據(jù)量要少得多。- 我們展示了一小組自然圖像，盡管體系結(jié)構(gòu)發(fā)生了變化，但新網(wǎng)絡(luò)仍能夠準(zhǔn)確分類自然圖像。

人工智能利用遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度方法：我們的目標(biāo)是找到一個(gè)能夠正確預(yù)測插圖和剪貼畫數(shù)據(jù)的類標(biāo)簽的模型。有許多標(biāo)準(zhǔn)數(shù)據(jù)集包含真實(shí)物體的標(biāo)記圖像，例如含有超過120萬張圖像的ImageNet數(shù)據(jù)集[RDS * 15]。然而，我們打算分析這種類似卡通形式的風(fēng)格并沒有一個(gè)合適的數(shù)據(jù)集。因此，我們首先創(chuàng)建了一個(gè)由內(nèi)容標(biāo)記的插圖圖像數(shù)據(jù)集（第4節(jié)）。該數(shù)據(jù)集由兩組將用于不同任務(wù)的數(shù)據(jù)組成。嘈雜的數(shù)據(jù)集，超過180K的圖像分為826個(gè)類和策劃數(shù)據(jù)集，超過4K圖像和23個(gè)類。將策劃和噪音數(shù)據(jù)集都分成一組固定的培訓(xùn)，評(píng)估和測試數(shù)據(jù)。

我們首先評(píng)估現(xiàn)有的VGG19 [SZ14]深層神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)已被證明可以在自然圖像中執(zhí)行非常好的預(yù)測類別。在第5節(jié)中，我們提供了這個(gè)架構(gòu)的總結(jié)，并在數(shù)據(jù)中顯示了它的性能。由于獲得的精度很低，我們將其視為基線（基線VGG19），并提出了兩種受轉(zhuǎn)移學(xué)習(xí)技術(shù)啟發(fā)的新模型[RASC14，LLZ * 11，OBLS14]。在第6.1節(jié)中解釋的***個(gè)模型（基線VGG19 + SVM）中，我們使用SVM對(duì)從深度網(wǎng)絡(luò)VGG19提取的特征進(jìn)行分類。性能相對(duì)于以前的架構(gòu)有所提高，但仍然較低。因此，我們提出了第二個(gè)模型（優(yōu)化VGG19+ SVM），在第7節(jié)中描述，它基于兩個(gè)步驟：首先，我們使用我們的噪聲執(zhí)行自適應(yīng)的基于層的優(yōu)化數(shù)據(jù)集;然后，如前所述，我們提取優(yōu)化網(wǎng)絡(luò)的特征并使用我們的策劃數(shù)據(jù)集訓(xùn)練SVM。該模型在精度排名前1的準(zhǔn)確率為86.61％，排名前5的準(zhǔn)確率為97.21％。精度分別提高了20％和10％的精度前1和前5。

人工智能利用遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度提出的模型：正如我們所示，與自然圖像相比，我們插圖數(shù)據(jù)集中深網(wǎng)VGG19獲得的準(zhǔn)確性急劇下降。主要原因是我們數(shù)據(jù)集中圖像的統(tǒng)計(jì)數(shù)據(jù)與原始圖像不同。提高數(shù)據(jù)性能的一個(gè)想法是創(chuàng)建一個(gè)新的控制網(wǎng)絡(luò)并從頭開始進(jìn)行培訓(xùn)。但是，這不是一個(gè)好主意，原因有二：首先，我們?nèi)狈τ糜谂嘤?xùn)VGG19的數(shù)據(jù)量，其次，我們將失去模型已經(jīng)學(xué)到的所有信息。為了解決這個(gè)問題，我們從之前的轉(zhuǎn)移學(xué)習(xí)[RASC14，LLZ * 11，DJV * 13]中獲得了靈感，并評(píng)估了兩個(gè)新模型。在我們的***個(gè)模型（第6.1節(jié)）中，我們提取了CNN的高級(jí)特征，并將它們用作圖像描述符來訓(xùn)練支持向量機(jī)（SVM）。在我們的第二個(gè)模型（第7節(jié)）中，我們另外重置了VGG19網(wǎng)絡(luò)的低層圖層，并使用我們的數(shù)據(jù)集對(duì)其進(jìn)行了優(yōu)化。高層次，理論上是為了捕捉形狀和對(duì)象，幾乎保持不變。

基線VGG19 + SVM：支持向量機(jī)（SVM）是用于分類和回歸的有監(jiān)督算法。 SVM試圖找到***超平面，該類用不同類別的樣本之間的***邊界對(duì)類別進(jìn)行分類。一種SVM使用非線性內(nèi)核將數(shù)據(jù)映射到更高維空間，然后才找到***超平面。在我們的工作中，我們使用非線性支持向量機(jī)是因?yàn)樗鼈冊(cè)谔卣鞣浅４髸r(shí)的有效性以及它們的魯棒性，因?yàn)樗鼈兛梢?**化不同數(shù)據(jù)樣本之間的邊界。此外，它不需要像深層網(wǎng)絡(luò)那么多的數(shù)據(jù)，因此可以使用我們的策劃數(shù)據(jù)集進(jìn)行訓(xùn)練。

培訓(xùn)和評(píng)估我們將策劃的數(shù)據(jù)集分為以下幾類：16％的數(shù)據(jù)作為驗(yàn)證，64％作為培訓(xùn)，20％作為測試數(shù)據(jù)。對(duì)于每個(gè)圖像，我們通過獲取網(wǎng)絡(luò)VGG19的第二個(gè)完全連接層來獲得特征向量。通過使用三重交叉驗(yàn)證，我們發(fā)現(xiàn)***性能是由使用歐氏距離平方的徑向基函數(shù)核（RBF）給出的，松弛變量C = 1允許在訓(xùn)練過程中出現(xiàn)一些錯(cuò)誤，分類器更具靈活性和穩(wěn)定性，γ= 0.0001，即訓(xùn)練過程中每個(gè)樣品的重量。訓(xùn)練SVM的決策函數(shù)是一對(duì)一休止（OVR），它為每個(gè)類訓(xùn)練一個(gè)分類器，找到***超平面，將該類的樣本放置在***超平面的一側(cè)，而其余的一側(cè)放置在另一側(cè)不同類別的最接近樣本之間的***余量。訓(xùn)練結(jié)束后，前1名和前5名精度分別提高到62.04％和85.64％。由于RBF函數(shù)和SVM分類的強(qiáng)大的非線性映射，從VGG19獲得的圖像描述符能夠獲得更好的結(jié)果。盡管如此，該網(wǎng)絡(luò)仍然無法識(shí)別插圖圖像的低級(jí)特征，這告訴我們?nèi)绻W(wǎng)絡(luò)使用插圖圖像統(tǒng)計(jì)進(jìn)行了優(yōu)化，仍有改進(jìn)的空間。

人工智能利用遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度結(jié)論：在這項(xiàng)工作中，我們探討了在兩個(gè)不同的領(lǐng)域，即自然的圖像和插圖，深層神經(jīng)網(wǎng)絡(luò)的高層次是如何轉(zhuǎn)移的。我們已經(jīng)提出了一個(gè)帶有標(biāo)簽和策劃數(shù)據(jù)的新插圖數(shù)據(jù)集。我們已經(jīng)證明，當(dāng)使用更抽象的描述（如漫畫或剪貼畫）對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行分類時(shí)，為自然圖像訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)會(huì)失敗。我們提出了兩個(gè)模型，分別在原始網(wǎng)絡(luò)上提高30-60％的性能，并且我們已經(jīng)證明，我們的模型仍然能夠在照片上合理地工作。

未來的工作有許多有趣的途徑。 Curated數(shù)據(jù)集遺留了Noisy數(shù)據(jù)集中的大部分可用數(shù)據(jù)，僅使用826個(gè)中的23個(gè)。這可以通過使用眾包平臺(tái)來整理我們的數(shù)據(jù)來改進(jìn)，因?yàn)槟壳斑@是一個(gè)手動(dòng)過程。我們希望進(jìn)行進(jìn)一步的實(shí)驗(yàn)來詳盡評(píng)估我們網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集中的準(zhǔn)確性，因?yàn)槲覀兡壳暗膶?shí)驗(yàn)表明這些概念仍然存在于網(wǎng)絡(luò)中。一個(gè)非常有趣的問題是調(diào)查這種網(wǎng)絡(luò)中的抽象和感知，例如，找出這種模型是否自動(dòng)學(xué)習(xí)完形定律，或者預(yù)測哪些是使我們的基本邊緣或部分識(shí)別一個(gè)對(duì)象。（特約點(diǎn)評(píng)：人工智能利用遷移學(xué)習(xí)利用自然圖像提取的特征提高插圖分類精度對(duì)于對(duì)深度學(xué)習(xí)的領(lǐng)域提供了新的空間，這個(gè)創(chuàng)新點(diǎn)趣說人工智能必須推薦。來自網(wǎng)友小星的推薦！）