微软研究院在 ImageNet 分类数据集上超越了人类水平的表现

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