新模型定量选择最优迁移学习数据集

研究人员开发了TLDChoiceNet，一个旨在为图像分类任务定量选择最优迁移学习数据集的新模型。该系统旨在解决在可用训练数据有限的情况下，缺乏系统性方法来选择ImageNet、CIFAR-100或COCO等数据集的问题。TLDChoiceNet v2利用ImageNet预训练的ResNet50 v2嵌入，实现了0.031的均方误差，比简化版本提高了五倍。此外，还引入了两个无监督指标：分布距离（DD）和平均类别相关性（ACC）。ACC与微调准确率显示出很强的相关性（R2为0.97），表明数据集统计数据可以有效预测迁移学习性能。 AI

影响 提供了一种量化方法来提高迁移学习效率，可能减少对广泛数据整理的需求。

排序理由 该集群包含一篇详细介绍迁移学习新模型和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• CIFAR-100
• COCO
• ImageNet
• ResNet50 v2
• TLDChoiceNet

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →