||
最近万力在论文“Regularization of Neural Network using DropConnect”中提出了一种预防深度神经网络过拟合的方法——DropConnect。他们在很多数据集上取得了最好的结果。不过正如Zygmunt在其文章“http://fastml.com/regularizing-neural-networks-with-dropout-and-with-dropconnect/”中提到的,DropConnect和DropOut性能类似,万力在论文中得到的state-of-the-art来源于模型的融合(model ensembling)。
我们重现了万力在cifar-10以及svhn上的结果。
cifar-10数据集包括60000个32x32彩色图像,分布在在10类,包括,每个类有6000幅图像。这60000幅图片中分别包括50000幅训练图像和10000幅测试图像。我们在cifar-10上得到了9.46%的错误率,
也就是说目前的技术可以做到在随机的任何十幅图片中,最多识错一幅。
svhn是从google街景图像得到的一个真实世界的门牌号码图像数据集(http://ufldl.stanford.edu/housenumbers/)。本数据集可以用于自然场景图像数字识别的研究。其中训练图像604388幅,测试图像26032幅。万力在这个数据集上得到的错误率为1.94%。我们在重现时,单个深度神经网络错误率为2.53%:
通过对独立训练多个同结构的网络预测结果进行融合,错误率i进一步下降到2.21%:
也就说目前的技术可以做到在随机的任何一百幅图片中,最多识错三幅。
如有有任何问题,欢迎联系。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-6-4 01:42
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社