高考考试网
当前位置: 首页 高考资讯

图像识别算法的基本原理(最大规模数据集)

时间:2023-05-27 作者: 小编 阅读量: 8 栏目名: 高考资讯

Facebook正在多达五千万张图像的数据集上训练模型,即使是在提供所有监督的情况下,数十亿张图像的训练也是不可行的。该方法显示出优秀的迁移学习结果,表明该模型的图像分类结果可广泛应用于其他AI系统。这是截至目前最高的ImageNet基准准确率,比之前最优模型高2%。Facebook研究者还发现其最大的模型仍未充分利用35亿张图像数据集的优势,这表明研究者应该在更大的模型上进行训练。该研究指出了使用弱监督数据的长期影响。

人工标注数据需要耗费大量人力成本和时间,对模型训练数据集的规模扩大带来限制。Facebook 在图像识别方面的最新研究利用带有 Hashtag 的大规模公共图像数据集解决了该问题,其最佳模型的性能超越了之前最优的模型。

图像识别是 AI 研究的重要分支之一,也是 Facebook 的研究重心。Facebook 的研究人员和工程师旨在扩展计算机视觉的边界,造福现实世界。例如,使用 AI 生成图像的音频字幕帮助视觉受损的用户。为了改善这些计算机视觉系统,训练它们识别和分类大量对象,Facebook 需要包含数十亿张图像的数据集,如今常见的数百万张图像的数据集已经不足够了。

由于当前模型通常在人类标注者手动标注的数据上进行训练,因此提升识别准确率不只是向系统输入更多图像那么简单。这种劳动密集型的监督学习过程通常获得最好的性能,但是手动标注的数据集在规模方面已经接近其函数极限。Facebook 正在多达五千万张图像的数据集上训练模型,即使是在提供所有监督的情况下,数十亿张图像的训练也是不可行的。

Facebook 研究人员和工程师通过在带有标签(hashtag)的公共图像数据集上训练图像识别网络解决了该问题,其中最大的数据集包含 35 亿张图像和 17000 个 hashtag。该方法的关键是使用现有公开的、用户提供的 hashtag 作为标注,取代手动标注。该方法在测试过程中表现良好。通过使用包含 10 亿图像的此类数据集训练计算机视觉系统,Facebook 得到了一个历史最高得分——在 ImageNet 上达到了 85.4% 的准确率。伴随着这一图像识别任务中的突破,该研究为如何从监督训练转向弱监督训练提供了重要洞见。在弱监督训练中,研究者使用现有标注(在本文中指 hashtag)而不是专为 AI 训练而选择的标注。Facebook 计划开源这些模型的嵌入,这样研究社区就可以使用这些表征,基于它们完成更高级别的任务。

大规模使用 hashtag

由于人们通常使用 hashtag 描述照片,所以 Facebook 研究人员认为它们可以作为模型训练数据的完美来源。这允许研究人员使用 hashtag 来完成一直以来的目标:基于人们自己标注的 hashtag 获取更多图像。

但是 hashtag 通常指非视觉概念,如 #tbt 表示「throwback Thursday」。或者它们比较模糊,如 #party 可以描述活动、设置,或者 both。对于图像识别来说,tag 的作用是弱监督数据,而模糊和/或不相关的 hashtag 是标签噪声,可能会混淆深度学习模型。

这些噪声标签是大规模训练工作的重点,因此研究人员开发了一种新方法,专为使用 hashtag 监督执行图像识别实验而准备。该方法包括处理每个图像的多个标签(加 hashtag 的用户通常会添加多个 hashtag)、整理 hashtag 同义词、平衡经常出现的 hashtag 和出现频率较低的 hashtag 的影响力。为了使这些标签有助于图像识别训练,Facebook 研究团队训练了一个大规模 hashtag 预测模型。该方法显示出优秀的迁移学习结果,表明该模型的图像分类结果可广泛应用于其他 AI 系统。这一新研究基于 Facebook 之前的研究,包括基于用户评论、hashtag 和视频的图像分类研究。这一对弱监督学习的全新探索是一次广泛的合作,Facebook 应用机器学习团队(AML)和 Facebook 人工智能研究院(FAIR)均参与其中。

在规模和性能方面开辟新天地

由于单个机器完成模型训练需要一年多时间,因此 Facebook 在多达 336 个 GPU 上进行分布式训练,将总训练时间缩短至几周。在如此大的模型规模面前(该研究中最大的模型是具备超过 86.1 千万个参数的 ResNeXt 101-32x48d),使用分布式训练方法尤其重要。此外,Facebook 设计了一种方法来移除重复项,确保不会在评估数据上进行训练,这个问题在此类研究中经常出现。

Facebook 希望能看到图像识别方面的性能提升,不过对实验结果仍然感到惊讶。在 ImageNet 图像识别基准上,其最佳模型达到了 85.4% 的准确率,该模型在 10 亿张图像上进行训练,训练数据一共包括 1500 个 hashtag。这是截至目前最高的 ImageNet 基准准确率,比之前最优模型高 2%。研究者将卷积神经网络架构的影响力进行分解,观测到的性能提升更加显著:将数十亿图像(以及大量 hashtag)用于深度学习导致高达 22.5% 的性能提升。

在另一个主要基准 COCO 上,研究者发现使用 hashtag 进行预训练可以将模型的平均准确率提高 2% 以上。

这些是图像识别和目标检测领域的基础改进,表示计算机视觉又前进了一步。但是研究者的实验还揭示了大规模训练和噪声标签的优势和面临的挑战。

例如,尽管扩大训练数据集规模是值得的,但选择匹配特定图像识别任务的 hashtag 集也具备同等的重要性。研究者通过在 10 亿张图像、1500 个匹配 ImageNet 数据集类别的 hashtag 上的训练结果优于在同样大小的数据集、但使用全部 17000 个 hashtag 的训练结果。另一方面,对于类别较多的任务,使用 17000 个 hashtag 进行训练的模型性能更好,这表明研究者应该在未来训练中增加 hashtag 的数量。

增加训练数据规模通常有利于图像识别。但是它也会产生新的问题,包括定位图像中对象位置的能力下降。Facebook 研究者还发现其最大的模型仍未充分利用 35 亿张图像数据集的优势,这表明研究者应该在更大的模型上进行训练。

大规模自标注数据集是图像识别的未来

这项研究的一个重要成果(甚至超越了图像识别的广泛成果)就是证实了在 hashtag 上训练计算机视觉模型是完全可行的。虽然使用了一些基础技术来合并相似标签、降低其他标签的权重,但是该方法不需要复杂的「清理」过程来消除标签噪声。相反,研究者能够使用 hashtag 训练模型,而且只需对训练过程做出很少的修改。规模似乎是一大优势,因为在数十亿张图像上训练的网络对标签噪声具备更好的稳健性。

我们设想了在不远的未来,hashtag 作为计算机视觉标签的其他使用方向,可能包括使用 AI 更好地理解视频片段,或改变图像在 Facebook feed 流中的排序方式。Hashtag 还可以帮助系统识别图像何时不仅属于总类别,还属于更具体的子类别。例如,照片的音频说明提及「树上的一只鸟」是有用信息,但是如果音频说明可以具体到物种(如:糖槭树上的一只主红雀),就可以为视觉受损的用户提供更好的描述。

Hashtag 可以帮助计算机视觉系统超越一般分类条目,以识别图像中的特定子类别和其他元素。

除了 hashtag 的具体用途之外,该研究还指出了可能影响新产品和现有产品的广泛图像识别方面取得的进展。例如,更精确的模型可能会改善在 Facebook 上重现记忆的方式。该研究指出了使用弱监督数据的长期影响。随着训练数据集变得越来越大,对弱监督学习的需求——以及从长远来看,对无监督学习的需求——将变得越来越显著。了解如何弥补噪声大、标注不准确的缺陷对于构建和使用大规模训练集至关重要。

本研究在 Dhruv Mahajan、Ross Girshick、Vignesh Ramanathan、Kaiming He、Manohar Paluri、Yixuan Li、Ashwin Bharambe 和 Laurens van der Maaten 的《Exploring the Limits of Weakly Supervised Pretraining》一文中有更详细的描述。由于该研究涉及到的规模史无前例,此论文详细的论述将为一系列新研究方向铺平道路,包括开发新一代足够复杂的深度学习模型,从而有效地从数十亿张图像中学习。

该研究还表明,为了更好地衡量当今图像识别系统以及未来规模更大、监督更少的图像识别系统的质量和局限性,开发类似 ImageNet 的广泛使用的新型基准很有必要。

论文:Exploring the Limits of Weakly Supervised Pretraining

论文链接:https://research.fb.com/publications/exploring-the-limits-of-weakly-supervised-pretraining/

摘要:当前最优的适合大量任务的视觉感知模型依赖于监督式预训练。ImageNet 分类实际上是这些模型的预训练任务。但是,目前 ImageNet 将近十岁,用现代标准来看规模有些小了。即便如此,使用规模大了好几个数量级的数据集进行预训练也很少见。原因很明显:此类数据集很难收集和标注。本论文展示了一种独特的迁移学习研究,在数十亿社交媒体图像上训练大型卷积网络来预测 hashtag。实验表明大规模 hashtag 预测的训练性能很好。我们展示了在多个图像分类和目标检测任务上的改进,并报告了目前最高的 ImageNet-1k single-crop,top-1 准确率 85.4%(top-5 准确率 97.6%)。我们还进行了大量实验,为大规模预训练和迁移学习性能之间的关系提供了新的实证数据。

,
    推荐阅读
  • 小米手机进不了系统(建议你尝试以下操作)

    跟着小编一起来看一看吧!小米手机进不了系统手机关机,然后进入recovery模式,进入的方法就是同时按电源键和音量+键。这时候选择好后会进入主菜单,直接选择重启手机,按电源键确定。这时候会重启,我们就可以看到两个系统,手机还会标注哪个是最近进入的系统,所以我们很好选择。

  • 三星堆历史上有哪些故事(三星堆主人究竟是谁)

    近日,在四川成都举行了“考古中国”重大项目工作进展会,通报提到考古工作者在三星堆遗址新发现6座三星堆文化祭祀坑,其中已经出土金面具残片、巨青铜面具、青铜神树、象牙等重要文物500余件,让这个尘封的神秘古国再一次走入公众的视野。望帝当时私通鳖灵妻子,非常羞愧,自认为德行不如鳖灵,干脆把国家让给他。《蜀王本纪》认为,古蜀国与华夏的交通晚至战国秦惠文王时;《华阳国志》却认为,古蜀国由黄帝的支庶建立。

  • 种的大蒜叶子发黄怎么办(种的大蒜叶子发黄怎样做)

    下面更多详细答案一起来看看吧!种的大蒜叶子发黄怎么办大蒜叶子发黄可能是因为缺少养分,此时要根据它表现出来的症状,选择相应的花肥,为它施加。也可能是因为水分不足,此时需要往它的土里补浇一些水。还可能是因为缺少阳光,此时需要把它移动到一个光好的位置,或者用电灯为它补光。

  • 绿豆高压锅煮多久才熟(绿豆高压锅煮的时长)

    我们一起去了解并探讨一下这个问题吧!压力锅可以通过升高气压从而提高水的沸点,从而使水达到较高温度而不沸腾,以此来加快炖煮食物效率,因此用高压锅煮绿豆汤可以缩短煮制时间。当高压锅大火烧开上汽后立刻改为小火,再煮10分钟左右就可将绿豆煮软烂,具体可以根据个人口味爱好来定炖煮时间。

  • 致兄弟的一句话短(写给兄弟的句子)

    下面希望有你要的答案,我们一起来看看吧!致兄弟的一句话短做铁打的哥们雷打不动;用铁心的陪伴一路同行;是铁杆的粉丝一世相拥,愿铁定的情意四季长青,愿我亲爱的好兄弟,一生平安,万事吉祥。铁哥们之间,关系是铁的,情谊是铁的,关爱是铁的,爱护是铁的。愿我们一路铁到底!

  • 看书和看手机对眼睛的伤害一样吗?(看书和看手机对眼睛的伤害是否一样)

    如果是年纪比较小的孩子或年轻人,看书和看手机基本上类似,看手机相对更容易疲劳。因为在看电子设备的时候人的注意力比较集中,可能十几分钟都不会眨眼睛,不仅容易导致用眼的疲劳,也会导致干眼的情况。所以这种情况,看手机的损伤程度或损害程度会较看书更强,看电子屏幕也会有过量的蓝光进入眼睛,视觉疲劳的症状也会更明显。

  • 锄豆的意思(锄豆的意思是什么)

    接下来我们就一起去研究一下吧!此词描绘了农村一个五口之家的环境和生活画面,借此表现人情之美和生活之趣。作者把这家老小的不同面貌和情态,以及他们的美好的农家生活描写得有声有色,惟妙惟肖,活灵活现,具有浓厚的生活气息,表现出作者对农村和平宁静生活的喜爱。全词以白描手法描述了农村的乡土风俗,呈现出一种清新宁馨的风格。

  • 毕业感言最暖心(超暖心的毕业寄语)

    走出校园,在未来的人生道路上,大家将遇到自己的际遇和机缘,也将遇到更多的困难和挑战。希望大家在新的人生旅程上,以天下为己任,努力成长为堪当民族复兴大任的时代新人,在实现中华民族伟大复兴的时代洪流中踔厉奋发、勇毅前进!愿你胸怀里容纳更多崭新的昼夜。保持热爱,奔赴下一场山海,祝同学们毕业快乐~

  • 现在常说的凡尔赛是什么意思(凡尔赛是什么意思)

    现在常说的凡尔赛是什么意思凡尔赛:本来指的是法国的凡尔赛宫,宏大而奢华,但居住功能极不方便,没有厕所或盥洗设备。凡尔赛的内容包罗万象,但大多都是通过假装不经意或者明贬暗褒以及借他人之口的方式来达到炫耀自身目的一种文学,这才是重点。

  • 剖腹产后能喝水吗(剖腹产过后可以喝水吗)

    剖腹产后如何缓解口渴用棉棒湿润嘴唇剖腹产排气后口渴,可以用棉棒进行湿润嘴唇缓解口渴,或者稍微抿一小口水缓解。多吃苹果苹果有生津解渴的功效,剖腹产后可以食用苹果来帮助改善口渴症状,但产后体虚脾胃虚的妈妈忌吃生冷食物,所以不宜吃生苹果,可以将苹果切片和粳米一同煲粥,或者榨汁烧开后饮用。服用维生素C维生素C对于缓解口渴有一定的效果,剖腹产后新妈妈口渴可以在医生的指导下服用维生素C片。