CLCNet: Rethinking of Ensemble Modeling with Classification Confidence Network

要約

この論文では、分類モデルが入力サンプルを正しく分類するかどうかを判断できる分類信頼ネットワーク (CLCNet) を提案します。
任意の次元のベクトル形式で分類結果を取得し、インスタンスが正しく分類される確率を表す信頼スコアを出力として返すことができます。
いくつかの SOTA (最先端の) 分類モデルで構成される単純なカスケード構造システムで CLCNet を利用することができ、実験により、システムが次の利点を達成できることが示されています。 1. システムは平均計算要件をカスタマイズできます (
推論中の画像ごとの FLOPs)。
2. 同じ計算要件の下で、システムのパフォーマンスは、システム内のモデルと同じ構造を持つがサイズが異なる任意のモデルを超えることができます。
実際、これは新しいタイプのアンサンブル モデリングです。
一般的なアンサンブル モデリングと同様に、単一の分類モデルよりも高いパフォーマンスを実現できますが、システムに必要な計算量は一般的なアンサンブル モデリングよりもはるかに少なくなります。
コードを github リポジトリ (https://github.com/yaoching0/CLCNet-Rethinking-of-Ensemble-Modeling) にアップロードしました。

要約(オリジナル)

In this paper, we propose a Classification Confidence Network (CLCNet) that can determine whether the classification model classifies input samples correctly. It can take a classification result in the form of vector in any dimension, and return a confidence score as output, which represents the probability of an instance being classified correctly. We can utilize CLCNet in a simple cascade structure system consisting of several SOTA (state-of-the-art) classification models, and our experiments show that the system can achieve the following advantages: 1. The system can customize the average computation requirement (FLOPs) per image while inference. 2. Under the same computation requirement, the performance of the system can exceed any model that has identical structure with the model in the system, but different in size. In fact, this is a new type of ensemble modeling. Like general ensemble modeling, it can achieve higher performance than single classification model, yet our system requires much less computation than general ensemble modeling. We have uploaded our code to a github repository: https://github.com/yaoching0/CLCNet-Rethinking-of-Ensemble-Modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google