Online Anchor-based Training for Image Classification Tasks

要約

この論文では、\textit{Online Anchor-based Training} (OAT) という名前の新しいアンカーベースのトレーニング方法論を提案し、画像分類タスクに対する深層学習モデルのパフォーマンスを向上させることを目指しています。
OAT メソッドは、クラス ラベルを直接学習するのではなく、アンカー ベースのオブジェクト検出方法で提供される洞察に基づいて、定義されたアンカーに対するクラス ラベルの変化のパーセンテージを学習するようにモデルをトレーニングすることを提案します。
モデルの出力でバッチの中心をアンカーとして定義します。
次に、テスト段階で、予測が元のクラス ラベル空間に変換されて、パフォーマンスが評価されます。
OAT 法の有効性は 4 つのデータセットで検証されています。

要約(オリジナル)

In this paper, we aim to improve the performance of a deep learning model towards image classification tasks, proposing a novel anchor-based training methodology, named \textit{Online Anchor-based Training} (OAT). The OAT method, guided by the insights provided in the anchor-based object detection methodologies, instead of learning directly the class labels, proposes to train a model to learn percentage changes of the class labels with respect to defined anchors. We define as anchors the batch centers at the output of the model. Then, during the test phase, the predictions are converted back to the original class label space, and the performance is evaluated. The effectiveness of the OAT method is validated on four datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google