罗马数字,翼课网-泰国旅行,最佳旅行线路,最经济的旅行,最好吃的事物

栗子 发自 凹非寺

量子位 报导 | 大众明日号 QbitAI



谷歌大脑Quoc Le团队,又练习出了一只地表最强的模型。

这是罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物一个方针检测模型,早年并不汇包网是最强壮。

但自从团队用机器学习解锁了特别的数据扩增战略,再用主动扩增来的新数据集练习方针检测模型,工作就彻底不同了。

留意:方针检测和分类不一样,分类不需求标示鸿沟框,而方针检测需求。


△ 左面是主动扩增数据,右边是成果提高


模型在COCO方针检测使命上,拿到了50.7 mAP的最高分,改写早年的纪录。

谷歌的办法,并没有改动模型自身,但有用提高了准确率,+2.3冗 mAP以上。

团队错爱还着重,AI在COCO数据集里学到的扩增战略,直接迁移到其他数据集上,相同能够提高准确率。

现在,算法现已开源了,AI学到的扩增战略也在里边。

是怎样的扩增战略?

论文写到,这儿的数据扩增只触及了一些简略改换 (Simple Transformations) :

有使用在整张图片上、但不会影响罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物鸿沟框的那种改换,比方从图画罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物分类里借来的色彩改换 (Color Transformations)。

也有不影响整张图片、芷蕙但改动鸿沟框方位的那种改换,比方图画平移 (Translating) 或剪切 (Shearing) 。

还有只针对书法培训班鸿沟框里的方针罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物,而进行的改换。

留意,这些改换只用在练习进程中,不会用到测验环节里。

研究人员说,当改换的数量越来越巨大的时分,就很难手动把它们有用组合到一起了。

所以,就要用机器学习,查找出更适合方针检测使命的组合战略。

思路是这样的:

团队把数据扩增查找 (Data Augmentation Search) 看做一个离散的优化问题,优化的是模型的泛化体现

在自家的另一篇论文 (arXiv:1805.09501) 基础上,把要点转移到针对方针检测的扩增战略上。

比起图画分类使命的数据扩增,方针检测的难点在于,要坚持鸿沟框和发作形变的图画之间的一致性 (Cons武则天墓istency) 。

而鸿沟框的标示,也为数据扩增供给了一种新的办法:只在鸿沟框里边修正图画。就像上文讲的那样。

别的,团队还探究了在图片发作几许改换 (Geometric Transformations) 的情况下,怎样去改动鸿沟罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物框的方位。

具体办法是这样的:

把扩增战略界说成一组无序的子战略 (Sub-Po金南智licy) 。

在练习进程中,每个子战略都会被随机选中,使用到当时的图片里去。

每个子战略里,有N个图片改换,顺次在同一张图上进行。

要把这个搜阿狸簿本索进程,变成一个离散的优化问题,就要创立一个查找空间。

空间里边,有5个种策湿疣略,每种子战略有2种图画改换运算。

别的,每个运天庭废物收回大王算还和两个超参数相关联,一个是代表使用这个运算的可能性 (P担担面robability) ,二是这个运算的巨细 (Magnitude) 。

开始试验之后,团队定下了22种图画改换运算。

学习完结的子战略,成效是这样的:



肉眼可见,成效显著全国天气图。

一是罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物在COCO方针检测中,以50.7 mAP拔得头筹,(比战略练习前) 提高了2.3 mAP

二是在PASCAL VOC方针检测中,提高了2.7 mAP。

也就是说,在COCO上练习好的战略,桃花云雨直接搬到其他数据集上也有用。秋叶原

团队说,这个办法特别适合在小数据会集防止过拟合

现在,代码开源了,你也要试试么?

论文传送门:

https://避组词arx韩国总统iv.org/abs/1906.11172

代码传送门:

https://github.com/tensorflow/tpu/tree/master/models/official/detection

— 完罗马数字,翼课网-泰国游览,最佳游览线路,最经济的游览,最好吃的事物 —

诚挚招聘

量子位正在招募修改/记者,工作地点在北京中关村。等待有才华、有热心的同学参加咱们!相关细节,请在量子位大众号(QbitAI)对话界面,回复云南旅游最佳道路“招聘”两个字。

量子位 QbitAI 头条号签约作者

'ᴗ' 追寻孕妈妈血糖正常值AI技能和产品新动态

 关键词: