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
  • 国内外建筑工程发展趋势(精品工程施工与国内外建筑工程对比)

    2施工图技术性审查合格报告施工图审查报告中综合审查意见、结论要明确。2单桩承载力及桩身完整性检测,是否符合规范要求的检测方法和数量;复合地基承载性能检测记录。6使用材料、构配件质量证明和进场复验报告凡是进场使用的材料都应有合格证、质量证明书,凡需进场复试的材料,必须进行复试验收,合格后用于现场施工,见证取样数量满足要求。8混凝土、砌筑砂浆的强度检测报告强度值符合设计要求。

  • 康熙是被谁杀的(谁谋杀了康熙大帝)

    这个兆头,就是皇十四子允禵被任命为抚远大将军。这个肩负国家重任与个人前途命运的担子,极幸运地落在了时年30岁的皇十四子允禵的肩上。而后在康熙的指令下,与准噶尔部进行和平谈判,并很快达成了一致的协议。康熙皇帝突然驾崩,皇四子胤神秘地继承了大位,始称雍正皇帝。结交这两个人的目的是,一旦京师有变,由隆科多控制。到十三日凌晨,康熙的病情已处于十分危急的状态。

  • 命运交响曲(电视剧剧情(命运交响曲电视剧剧情简介)

    17岁的安娜远赴上海求学,而没能考上大学的安琪则巧遇服装设计师赵英佑。三年后,因为妒忌,安娜用各种手段替代安琪成为留学硕士和知名模特,安琪则变成了一个狼狈为生的清洁工。善良的安琪没有因为安娜的不懂事而痛恨妹妹,在她的心中无论命运如何,安娜都是她不可失去的妹妹。在安琪的谅解和包容下,安娜终于解开了多年来与安琪的误会,她坦然承认了她做的所有错事,两姐妹最终破镜重圆,并寻获了属于自己真正的幸福。

  • 三昧真火读音(三昧真火怎么读)

    下面更多详细答案一起来看看吧!三昧真火读音三昧真火读音:sānmèizhēnhuǒ。既是一种用于烧杀敌人的攻击型法术,同时也是因为受伤后所吐出的泻火表现。

  • 吴永恩坦言对王子文一见钟情(本以为是王子文高攀了)

    吴永恩坦言对王子文一见钟情近段时间以来,娱乐圈大瓜频出,从郑爽开始,娱乐圈很多女星都被曝光有了孩子,其中就包括王子文。《怦然再心动》中,王子文和吴永恩的组合有着很高的人气,从两人第一次见面开始,便产生了神奇的化学反应,对彼此都有好感,贡献了很多甜蜜瞬间。节目中,王子文和吴永恩相处得很好,为了显得更加真诚,王子文趁机透露了自己儿子的存在。

  • 林徽因的经典作品有哪些 林徽因作品集有哪些

    4、《山中一个夏夜》是2001年香港三联出版社出版的图书,作者是林徽因。

  • 上海市网络安全人才建设(吴云坤围绕四化)

    7月20日,“武汉百万校友资智回汉·国家网安基地专场”在湖北武汉临空港经开区国家网安基地展示中心举行。在活动现场,武汉市政府与奇安信集团达成战略合作,并在国家网络安全人才与创新基地设立奇安信华中总部,推动网络安全创新与新型实战化人才培养。吴云坤称,面对网络空间安全的新趋势,需要构建规划、管理、技术与运行一体化的安全体系。

  • 大蒜和鸡蛋能一起吃吗(大蒜和鸡蛋是否可以一起吃)

    下面内容希望能帮助到你,我们来一起看看吧!鸡蛋具有很高的营养价值,而大蒜具有抗癌效果,这两种食物一起吃能够起到强身健体的效果,鸡蛋里面含有大量的蛋白质,脂肪和维生素,和大蒜一起吃可以产生蒜胺,可以促进维生素的吸收,平时多吃一些大蒜,还能够起到降血糖血脂的效果。

  • 云南有哪些特色美食小吃 云南十大特色美食小吃

    不含防腐剂、香精、甜味素及色素等添加剂,保留了原有的风味而又不破坏营养价值。乳白色,片状,成卷,形状如扇,故被人们称为乳扇。

  • 紫癜检查什么(紫癜检查什么科室)

    虽然紫癜的症状比较明显,容易判断,但需要确诊紫癜也要做以下检查。体格检查生命体征的观察对于紫癜患者来讲尤为重要。正常男性出血点少于5个,正常女性少于10个。毛细血管脆性试验阳性的人,其紫癜多由于血管壁病变引起。凝血时间的延长及凝血酶原时间的缩短多见于使用过量抗凝物质引起的紫癜,以及血小板功能降低、凝血酶原、凝血因子减少引起的紫癜。