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
  • 吉利汽车系列大全(吉利汽车博瑞)

    在车身颜色方面,此次博瑞PRO新增了月光银车漆和全新设计的18寸亮面轮毂,精致感得到了进一步提升。新款博瑞GE车型的外观采用了与新款沃尔沃S60类似的设计语言,前脸标志性的进气格栅得以保留,辨识度极高。车尾部分,博瑞GE采用了“星虹之翼”的全LED尾灯,与前大灯相呼应。而今天,我们将从颜值、配置与动力三大方面,给各位消费者带来博瑞家族的一次蜕变,同时也期待它的销量成绩能够得到进一步提升。

  • 怎样记周易(如何快速入门周易)

    八卦以象告,告的对象是部落成员。尤其是中医,从古至今对保护人们的健康,去除病痛作用巨大。诸物之中粮食是最重要的物,不论是对自然人,还是对社会管理者。为此,中国古代社会特别重视农业的生产以及粮食的妥善储藏。粮食由农作物的成实加工而成的。收获农作物成实是农事活动的最终目的。博大精深的《周易》,似乎不再那么艰涩难懂。

  • 如果猫咪认你是主人有哪些表现(猫咪认定你是主人的7个表现)

    另外这样做是为了在你身上留下它的气味,是宣示主权的意思。要是猫咪不回应你的话,说明还是要多加训练,宠主可以每次在呼唤猫咪后,奖励一些零食给它吃。让它知道回应你,会有好事情发生。例如这款“馋不腻猫粮”,含肉比例高达75%,适口性好,还采用了烘干的方法,保留了自然肉香味,能提高猫咪对猫粮的食欲,营养又美味!

  • 阜阳市颍泉区身份证在哪里补办(阜阳颍泉区补办身份证的地方)

    办结时限法定办结时限:60个工作日承诺办结时限:1个工作日其他注意事项1.领取方式:本人持领取凭条领取或邮寄;2.审核不通过会通过短信,移动终端等渠道告知申请人;3.不可以其他人代办,需要本人到场办理。

  • 蒜子烧鲶鱼怎么做,蒜子烧鲶鱼怎么做好吃

    步骤1主要食材:鲶鱼200克、蒜20克、小葱1根、小米椒5克、花椒5克。步骤2鲶鱼洗净切块。步骤4小米椒切圈。步骤6起锅倒油,油热加入鲶鱼炸至微黄盛出备用。步骤8接着加入鱼段,放入酱油、小米辣、醋、白糖、盐加适量清水,大火烧开,转小火炖15分钟。步骤9最后大火收汁,撒上葱花即可。

  • 国内共享充电宝厂家(共享充电宝品牌企业大全有哪些)

    深圳市倍电科技前身是九方集团从事长达6年以上的支付行业,拥有资深的技术团队和敬业的客服部门。公司占地面积3500㎡,在职人员300人,总投资7000万人民币。公司拥有来电APP、移动电源租借机、移动电源三大产品。在移动电源租借机领域获得多项发明专利、实用新型专利与外观专利。自主研发的全球首款“自助租借充电宝”设备已获得多项国际、国内发明专利。小电科技于2018年3月完成了B轮数亿元人民币融资。

  • 毁三观却又很火的电影(推荐5部又污又辣眼睛的电影)

    但污归污,主演们的颜值却是对得起观众的,绝对秒杀一众网红脸。他们有个妹妹,要在夏威夷举办婚礼,兄弟两之前每次有聚会都会搞砸,所以妹妹和爸妈过来要求他们必须要各自携带一个女伴过来,管好他们,以防止他们搞砸婚礼!《网聘女伴》很好的中和了男性视角与女性视角间的差异,用通片的“污言秽语”,让你捧腹到甘愿被套路。

  • 有却的意思(有却的意思是什么)

    下面希望有你要的答案,我们一起来看看吧!有却,拼音yǒuquè。《史记·曹相国世家》:“参始微时,与萧何善:及为将相,有却。”有隙,读音yǒuxì,汉语词语,意思是有嫌隙;有怨恨。

  • 皮肤病研究领域专家(用干细胞外泌体研究成果造福皮肤病人群)

    有报道称“在我国,特应性皮炎发病率高达12.7%,其中儿童和老年患者更是日益增多”。目前,艾一生科推出的相关产品已经进入临床前研究阶段,未来将有可能广泛用于治疗特应性皮炎等疾病。落户中山看好中山医药产业发展集聚优势和地理优势2020年,艾一生科正式落户中山国家健康基地并开始运营。艾一生科筹建期间,虽然经历了新冠肺炎疫情的挑战,但公司依旧如期投入运营,且科研脚步从未停下。艾一生科研发人员工作场景。

  • 混合动力汽车(混合动力汽车的优缺点是什么?)

    混合动力汽车基本信息车辆驱动系统由两个或多个能同时运转的单个驱动系统联合组成,车辆的行驶功率依据实际的车辆行驶状态由单个驱动系统单独或共同提供。代表车型是通用的混合动力皮卡车。混合动力汽车历史发展当前普遍使用的燃油发动机汽车存在种种弊病,统计表明在占80%以上的道路条件下,一辆普通轿车仅利用了动力潜能的40%,在市区还会跌至25%,更为严重的是排放废气污染环境。