Л.М. Тепляков, С.А. Гладилин, Е.А. Швец, Д.П. Николаев

Обучение нейросетевых каскадных классификаторов

Искусственные нейронные сети (ИНС) позволяют решить многие задачи компьютерного зрения с качеством, недостижимым для других методов. В то же время вычислительная сложность ``глубоких''\ ИНС значительно ограничивает области их применимости. В данной работе мы предлагаем модель нейросетевого классификатора, имеющего каскадную архитектуру. Такая модель позволяет классифицировать простые примеры, не производя полного объема вычислений, за счет чего снижается среднее время классификации входного примера. Кроме того, в работе впервые предлагается метод совместного обучения нескольких уровней каскадного нейросетевого классификатора. Для этого используется совместная функция потерь, которая включает член, отвечающий за сложность полученной модели, и позволяет регулировать соотношение скорости и точности построенной модели в процессе обучения. Модель обучена на наборе данных CIFAR-10 предложенным методом. Показано, что результирующая модель является Парето-улучшением (по точности и быстродействию) модели, обученной традиционным способом.

КЛЮЧЕВЫЕ СЛОВА: сверточные нейронные сети, каскадные классификаторы, ускорение нейронных сетей, обучение с учетом сложности