Jun, 2019

解决训练和测试分辨率不一致的问题

PDF
TL;DR本文研究了如何通过使用低分辨率图像进行数据增广和微调来提高神经网络在图像分类中的性能，特别是在训练和测试分辨率不同时。通过实验证明，这种方法可以提高分类器的准确率，在 ImageNet 数据集上的单张图片分类准确率达到 86.4%（top-5:98.0%）。
data-augmentationneural networksimage classificationtest resolutionfine-tuning
发现论文，激发创造
  • 修复训练 - 测试分辨率不一致：FixEfficientNet

    本篇论文通过对 EfficientNet 图像分类器的性能进行了详细分析，提出了一种修复训练集和测试集图像不一致问题的新训练方法 FixEfficientNet，并以 ImageNet 数据集进行了测试，证明了 FixEfficientNet 在相同参数下性能明显优于原始架构。

    Mar, 2020

  • 混合图像尺寸训练卷积网络以提高准确性、速度和尺度弹性

    本文提出了一种新型混合尺寸训练策略，使用混合尺寸的图像进行训练有助于模型更好地适应不同尺寸的图像，减少推理时间，提高模型的鲁棒性和泛化能力，在测试阶段，使用更小的图像可以获得与基准模型相近的高准确度。

    Aug, 2019

  • 训练期间在图像上绘制多个变换样本可有效降低测试误差

    本文通过实验证明，在训练深层 ResNets 时，每个独特图像的增强样本数量如何影响模型性能，结果表明，绘制多个样本可实现更高的测试准确性，且即使每个图像的增强数目表现相同，使用这种方法也能提高测试准确度。

    May, 2021

  • 大型小批量 SGD 扩展：改进准确性和减少训练时间的 ImageNet-1K 上残差网络训练

    本文探讨了在 petaflop 级超级计算机上训练 ResNet-50 的挑战和新解决方案，最终展示了高达 90％的扩展效率和 28 分钟的训练时间。同时介绍了 Collapsed Ensemble (CE) 技术，使得在相同的固定训练预算下，使用未修改的 ResNet-50 拓扑结构可以获得高达 77.5％的准确率，类似于 ResNet-152。

    Nov, 2017

  • 卷积神经网络图像分类的诀窍

    本文探讨了图像分类模型训练过程中的一些改进方法，如数据增强和优化方法的变化，通过实验证明这些改进方法的整合能够显著提高 CNN 模型的准确性，在 ImageNet 上，我们将 ResNet-50 的 top-1 验证准确率从 75.3% 提高到 79.29%，而且还证明了这种提高对于其他应用领域，如目标检测和语义分割，也具有更好的迁移学习性能。

    Dec, 2018

  • 学习为计算机视觉任务调整图像大小

    通过实验证明，针对不同的任务，基于卷积神经网络的学习型图像缩放器可以用于提高网络的性能，而相比于传统的图像缩放器，它并不一定能够提高图像的感知质量。该研究给出了基于 ImageNet 数据集的分类任务和 AVA 数据集上的图像质量评估案例证明。

    Mar, 2021

  • 匹配数据增强分布增强预训练网络性能

    本文提出了一种简单的方法来解决训练和测试集之间的分布差异，通过在测试图像上使用多个随机裁剪的结果，并将其进行平均来提高预训练模型的性能。使用 softmax 平均可在不需要重新训练的情况下获得各种预训练网络的最佳性能。

    Jan, 2022

  • 增强图像先验：从单幅图像外推 1000 类

    使用单张图片作为输入，通过知识蒸馏和图像增强技术训练神经网络，研究神经网络对视觉世界的学习能力，发现通过这种方法可以在多个数据集上实现较高的图像分类和目标识别精度。

    Dec, 2021

  • 通过放大变换器提升高分辨率图像分类

    通过数据分析、选择强基线模型、迁移学习、数据增强和测试时间增强等综合方法，我们在 ICCV/CVPPA2023 深度养分缺乏挑战赛中获得第二名，以高分辨率图像分类为主要研究内容。

    Sep, 2023

  • ResNet 归来：一种改进的 timm 训练过程

    本文重新评估了使用新的优化和数据增强方法训练的基准 ResNet-50 模型的性能，并以此为基线，在 ImageNet 数据集上获得了 80.4％的 top-1 准确率，同时提供了预训练模型和更好的训练设置。

    Oct, 2021