Аннотация.

В данной статье рассматривается задача балансировки обучающей выборки при обучении классификатора изображений на основе сверточной нейронной сети. Для обучения «легкого» классификатора в условиях сильного дисбаланса обучающей выборки предлагается активная схема отбора (прореживания) информативных элементов в процессе обучения. Экспериментальная проверка на примере задачи классификации изображений рукописных цифр и зон детекций дорожных знаков показывает стабильное преимущество предложенной схемы по сравнению со случайным отбором.

Ключевые слова:

распознавание образов, сверточные нейронные сети, глубокое обучение, активное обучение, обучение по расписанию.

Стр. 199-204.

DOI: 10.14357/20790279180523

Полная версия статьи в формате pdf. 

Литература

1. He H., Garcia E.A. Learning from imbalanced data // IEEE Transactions on Knowledge and Data Engineering – 2009. – V. 21 – № 9 – С.1263–1284.
2. Buda M., Maki A., Mazurowski M.A. A systematic study of the class imbalance problem in convolutional neural networks / – 2017. – С.1–23.
3. Settles B. Active learning literature survey // Madison.–University of Wisconsin. –2010 – 11 c.
4. Dasgupta S. Analysis of a greedy active learning strategy // Advances in Neural Information Procesing Systems.–Saul.–2014.
5. Elman J.L. Learning and development in neural networks: the importance of starting small // Cognition. –1993.–V.48.–№1.– С.71– 99.
6. Bengio Y., Louradour J., Collobert R. et. al. Curriculum learning // Proceedings of the 26th Annual International Conference on Machine Learning, ser. ICML ’09, Montreal, Quebec, Canada.–ACM. –2009. – С. 41–48.
7. Huang C., Li Y., Loy C.C., Tang X. Learning Deep Representation for Imbalanced Classification // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 2016, С. 5375-5384.
8. Yu H., Zhang Z., Qin Z., Wu H., Li D., Zhao J., Lu X. Loss Rank Mining: A General Hard Example Mining Method for Real-time Detectors // – 2018. [Электронный ресурс] arXiv.org URL: https://arxiv.org/abs/1804.04606 (дата обращения: 06.07.218).
9. LeCun Y., Bottou L., Bengio Y., et. al. Gradientbased learning applied to document recognition //Proc. IEEE.–86(11). –1998. – С. 2278–2324.
10. Prun V.E., Postnikov V.V., Sadekov R.N., Sholomov D.L. “Development of Active Safety Software of Road Freight Transport, Aimed at Improving Inter-City Road Safety, Based on Stereo Vision Technologies and Road Scene Analysis” //Proceedings of the Scientific-Practical Conference “Research and Development – 2016”, Springer, Cham, pp.209-218. – 2017. ISBN 978-3-319-62869-1
11. Prun V., Polevoy D., Postnikov V. Forward rectification: spatial image normalization for a video from a forward facing vehicle camera // Proc. SPIE 10341, Ninth International Conference on Machine Vision (ICMV 2016), T. 10341, C. 103410W