参数个数:倒置残差块对图像分类任务的劣势

Posted

技术标签:

【中文标题】参数个数:倒置残差块对图像分类任务的劣势【英文标题】:Number of parameters: Disadvantages of inverted residual blocks for image classification tasks 【发布时间】:2021-04-26 16:20:18 【问题描述】:

我有一个关于 MobileNet 和 EfficientNet 倒置残差块的更一般的问题。我有一个复杂度较低的图像数据集的分类任务。因此我选择了一个参数很少的架构(EfficientNet B0)。但就验证损失而言,我遇到了过度拟合。浅层 ResNet、ResNext 等效果更好。这些架构使用常规残差块,因此具有更多参数。 那么这里的参数数量和模型复杂度之间似乎没有关系?有人可以解释一下我在这里缺少什么吗?

【问题讨论】:

【参考方案1】:

这是一个非常有趣的问题。我也对这个话题的回复非常感兴趣。

【讨论】:

以上是关于参数个数:倒置残差块对图像分类任务的劣势的主要内容,如果未能解决你的问题,请参考以下文章

深度学习前沿应用图像分类Fine-Tuning

基于光谱-空间残差网络模型的高光谱遥感图像分类

MobileNet实战:tensorflow2.X版本,MobileNetV2图像分类任务(小数据集)

05-Resnet18 图像分类

深度学习图像分类ResNet网络结构

图像分析的OPEN CV 和halcon能做啥?如果不用他们,直接编写软件 分析图像有啥劣势?