Как передать ранжированные метки для одного изображения в контролируемый учебный конвейер - PullRequest
Новая
       107

Как передать ранжированные метки для одного изображения в контролируемый учебный конвейер

0 голосов
/ 11 апреля 2020

При обучении под контролем для классификации изображений мы снабжаем обучающие изображения их метками. Возможно ли для каждого изображения, могу ли я предоставить серию меток, упорядоченных в порядке родства, вместо одной метки?

Я использую PyTorch для этого контролируемого обучения. Прямо сейчас под каждым ярлыком у меня есть тренировочные образы для этого ярлыка. Может кто-нибудь, пожалуйста, помогите мне сказать, как я могу реализовать обучение мульти-метки изображений в PyTorch?

1 Ответ

0 голосов
/ 11 апреля 2020

Более конкретный пример поможет лучше понять вашу проблему. Но из того, что я понимаю, вы не решаете проблему классификации classi c, где мы будем использовать CrossEntropyLoss, но вы хотите узнать меру взаимосвязанности.

Лучший метод, который я знаю для этого, - это использование метри c обучения (обучение ранжированию является примером, который, кажется, соответствует вашей проблеме). Обучение Triplet особенно известно, но есть и другие методы, которые делают это возможным. Вы можете посмотреть здесь: https://gombru.github.io/2019/04/03/ranking_loss/, а здесь: https://towardsdatascience.com/image-similarity-using-triplet-loss-3744c0f67973

Вкратце метри c обучение отображает входные данные для функции вектор. Обучение выполняется таким образом, что аналогичные входные данные отображаются в окрестности пространства признаков, а разнородные примеры отображаются в удаленных частях пространства признаков.

Минимальный код (на основе PyTorch) для этого: 

# bare bone initialization
loss_func = nn.TripletMarginLoss(swap=True)
feature_extractor = Model(feat_size=1024)
optim = Adam(feature_extractor.parameters())

for x, x_pos, x_neg in dataloader:
    # x contains the data we want to correctly rank;
    # x_pos contains examples that should be mapped close to x;
    # x_neg contains examples that should be mapped far from x;
    optim.zero_grad()

    # extract features of each input        
    feat_x = feature_extractor(x)
    feat_x_pos = feature_extractor(x_pos)
    feat_x_neg = feature_extractor(x_neg)

    # calculate the loss based on those inputs
    loss = loss_func(feat_x, feat_x_pos, feat_x_neg)

    loss.backward()
    optim.step()

PyTorch делает множество действительно простых в реализации! Сложной задачей является разработка учебного конвейера, который соответствует вашим потребностям.

...