Článek ve sborníku konference

KOLÁŘ Martin, HRADIŠ Michal a ZEMČÍK Pavel. Deep Learning on Small Datasets using Online Image Search. In: Proceedings of 32nd Spring Conference on Computer Graphics. Bratislava: Univerzita Komenského v Bratislavě, 2016, s. 1-7. ISBN 978-1-4503-3693-2. ISSN 1335-5694. Dostupné z: http://dl.acm.org/citation.cfm?id=2948633
Jazyk publikace:angličtina
Název publikace:Deep Learning on Small Datasets using Online Image Search
Název (cs):Hluboké Učení na Malých Datasetech s použitím Online Obrazového Vyhledávání
Strany:1-7
Sborník:Proceedings of 32nd Spring Conference on Computer Graphics
Konference:Spring Conference on Computer Graphics 2016
Místo vydání:Bratislava, SK
Rok:2016
URL:http://dl.acm.org/citation.cfm?id=2948633
ISBN:978-1-4503-3693-2
Časopis:Proceeding of Spring Conference on Computer Graphics, roč. 2016, č. 32, Bratislava, SK
ISSN:1335-5694
DOI:10.1145/2948628.2948633
Vydavatel:Univerzita Komenského v Bratislavě
Soubory: 
+Typ Jméno Název Vel. Poslední změna
iconSCCG_camera_ready_Kolar_ammended.pdf893 KB2016-04-04 14:11:02
^ Vybrat vše
S vybranými:
Klíčová slova
convolutional neural network, deep learning, image classification, reinforcement learning
Anotace
Náš příspěvek má schopnost učit se z vizuálních kategorií z menšího počtu snímků než u předchozích přístupů. Toho je dosaženo tím, že je změněna metoda pseudolabel která doplňuje označené tréninkové snímky s neoznačenými snímky, a je vytvořena metoda schopnou zvládnout označené tréninkové obrazy společně s obrázky získanými z internetu, které pravděpodobně patří do požadované třídy. Toho je dosaženo tím, že jsou změněné váhové a výběrová funkce.
Předložená metoda upravuje přístup pseudolabel, což umožňuje využívání služeb webové měřítku datových souborů milionů obrázků. Výsledky jsou demonstrovány na umělém zjednodušeném datasetu, a na plném SUN 397 datasetu s přidanými obrázky z online vyhledávání obrázků od Google, a to zcela automaticky.
Abstrakt
This paper tackles the important unsolved problem of training deep models with small amounts of annotated data. We propose a
semi-supervised self-training bootstrap to deep learning which retrieves and utilizes additional images from internet image search.
We adapt the pseudolabel method proposed by Dong-Hyun Lee in 2013, previously used on the elementary MNIST handwritten
digit classification task. We show that by suitable modifications to its example weighting and selection mechanisms it can be adapted
to general image classification tasks supported by online image search.
The proposed approach does not require any human supervision, it is practical and efficient, and it actively avoids overtraining.
The usefulness of the proposed method is demonstrated on the SUN 397 dataset with only 50 training images per category. When
exploiting results of Google's Image Search, we achieve a significant improvement, with a classification accuracy of 51%, as
opposed to 39% without our method.
BibTeX:
@INPROCEEDINGS{
   author = {Martin Kol{\'{a}}{\v{r}} and Michal Hradi{\v{s}}
	and Pavel Zem{\v{c}}{\'{i}}k},
   title = {Deep Learning on Small Datasets using Online Image
	Search},
   pages = {1--7},
   booktitle = {Proceedings of 32nd Spring Conference on Computer Graphics},
   journal = {Proceeding of Spring Conference on Computer Graphics},
   volume = 2016,
 number = 32,
   year = 2016,
   location = {Bratislava, SK},
   publisher = {Comenius University in Bratislava},
   ISBN = {978-1-4503-3693-2},
   ISSN = {1335-5694},
   doi = {10.1145/2948628.2948633},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11143}
}

Vaše IPv4 adresa: 100.24.209.47
Přepnout na https