微软研究院在 ImageNet 分类数据集上超越了人类水平的表现
1分钟读
发表于
阅读我们的披露页面,了解如何帮助 MSPoweruser 维持编辑团队 查看更多
微软研究院最近发表了一篇题为“Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification”的学术论文。 在本文中,他们提出了一种新的整流器模型,该模型在视觉识别挑战中超越了人类水平的表现。
整流激活单元(整流器)对于最先进的神经网络至关重要。 在这项工作中,我们从两个方面研究了用于图像分类的整流器神经网络。 首先,我们提出了一个泛化传统整流单元的参数整流线性单元(PReLU)。 PReLU 改进了模型拟合,几乎为零的额外计算成本和极少的过拟合风险。 其次,我们推导了一种特别考虑整流器非线性的稳健初始化方法。 这种方法使我们能够直接从头开始训练极深的修正模型,并研究更深或更广的网络架构。 基于我们的 PReLU 网络 (PReLU-nets),我们在 ImageNet 4.94 分类数据集上实现了 5% 的 top-2012 测试错误。 这比 ILSVRC 26 的获胜者(GoogLeNet,2014%)提高了 6.66%。 据我们所知,我们的结果是第一个在这个视觉识别挑战中超过人类水平的表现(5.1%,Russakovsky 等人)。
从下面的链接下载完整的论文。
Sumber: 美国康奈尔大学