Abstract
The paper studies the possibility of using neural networks for the classification of objects that are few or absent at all in the training set. The task is illustrated by the example of classification of rare traffic signs. We consider neural networks trained using a contrastive loss function and its modifications, also we use different methods for generating synthetic samples for classification problems. As a basic method, the indexing of classes using neural network features is used. A comparison is made of classifiers trained with three different types of synthetic samples and their mixtures with real data. We propose a method of classification of rare traffic signs using a neural network discriminator of rare and frequent signs. The experimental evaluation shows that the proposed method allows rare traffic signs to be classified without significant loss of frequent sign classification quality.
Highlights
The paper studies the possibility of using neural networks for the classification of objects that are few or absent at all in the training set
The task is illustrated by the example of classification of rare traffic signs
A comparison is made of classifiers trained with three different types of synthetic samples and their mixtures with real data
Summary
Нейросетевая, позволяет получать очень высокое качество классификации изображений. В работе [2] предложена нейросетевая архитектура WideresNet, в которой было сделано увеличение ширины нейросети для классификации. Было замечено [6], что нейросети, обученные на коллекции ImageNet, для классификации изображений извлекают достаточно общие признаки, применимые в самых разных задачах. Также данный подход позволяет решать задачу классификации при небольшом количестве примеров каждого класса. Далее уже на них обучается достаточно общий метод классификации изображений – например, метод ближайших соседей. Такое преобразование пытается разделить в пространстве признаков как можно дальше друг от друга объекты разных классов и сделать как можно ближе друг к другу объекты одного класса. Следующий подход основан на идее, что можно обучать нейросеть специально для извлечения признаков (так как обычно обучается сеть для классификации изображений, а далее отбрасывается её последний слой). То расстояние между их признаками минимизируется, а если разных классов, то, наоборот, становится больше
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
