CVPR2019:好的模型，迁移学习效果就更好吗？Google Brain最新结论

2019 年 6 月 12 日 极市平台

极市正在推出CVPR2019的专题直播分享会，邀请CVPR2019的论文作者进行线上直播，分享优秀的科研工作和技术干货，也欢迎各位小伙伴自荐或推荐优秀的CVPR论文作者到极市进行技术分享~

本周四（6月13日）晚，浙江大学硕士研究生董峻廷，将为我们分享：多视角下多人三维姿态估计（CVPR2019，已开源），公众号回复“44”即可获取直播详情。

来源：David 9的博客

已获作者授权，请勿二次转载

特征工程的下一步可能是如何直接操控特征（同域或不同域），而不仅仅是特征选择或特征过滤。——David9

相信很多初学迁移学习的朋友心里一直有个疑问：迁移学习的模型真的对新应用效果也好吗？更好的迁移模型，在其他应用上表现效果也更好吗？

根据Google Brain在CVPR 2019的研究总结，今天David偷懒一次，只说结论：

答案很大程度上是肯定的！Google Brain的大量实验证明，无论是把神经网络倒数第二层直接拿出来做预测，还是把预训练模型对新应用进行“二次训练”，好的imagenet预训练模型普遍有更好的迁移学习效果：

来自：《Do Better ImageNet Models Transfer Better?》

如上，左图是直接把网络倒数第二层特征直接拿出来进行迁移学习（使用Logistic Regression），右图是在新应用上find-tuned的迁移学习表现。可以注意到，只要是模型本来表现就好（横左标），迁移的效果就更好（纵坐标）。从性能最差的MobileNet到性能最好的Inception-ResNet无一例外。

但是，迁移学习并不是就无敌了。文章指出，在迁移学习中一定要慎用正则化，正则方法如 (Dropout, Label Smooth) 用得越少，直接把倒数第二层特征迁移后，效果就越好：

来自：《Do Better ImageNet Models Transfer Better?》

上图从左到右顺着横坐标，是在模型中去掉一些正则化方法的迁移效果，其中“＋”号是模型中使用的方法，“－”号是模型中未使用的方法。因为BN（batch norｍ）不是正则化方法，不会影响迁移学习效果。Dropout就是一种后期的正则化处理，这种操作是对迁移学习有影响的。

而如果你一定要使用正则化方法，并且要对模型做迁移，建议还是需要（用新数据）fine-tune一下迁移模型，这样对迁移效果影响较小：

来自：《Do Better ImageNet Models Transfer Better?》

另外，并不是所有迁移学习都能达到显著效果：

来自：《Do Better ImageNet Models Transfer Better?》

文章指出，对于find-grained分类数据集（大类中含小类，小类中还能分类），如果数据量小的话，迁移学习确实有用，而如果数据量非常大，从头开始训练和迁移学习最后的效果差别不大。如上图，每个点是模型在一个数据集上迁移学习和从头训练的准确率。

参考文献：

Do Better ImageNet Models Transfer Better?
https://arxiv.org/abs/1805.08974

http://www.cs.umd.edu/~djacobs/CMSC733/FineGrainedClassification.pdf

本文采用署名 – 非商业性使用 – 禁止演绎 3.0 中国大陆许可协议进行许可。著作权属于“David 9的博客”原创，如需转载，请联系邮箱：yanchao727@gmail.com

原文：

http://nooverfit.com/wp/cvpr2019%e5%a5%bd%e7%9a%84%e6%a8%a1%e5%9e%8b%ef%bc%8c%e8%bf%81%e7%a7%bb%e5%ad%a6%e4%b9%a0%e6%95%88%e6%9e%9c%e5%b0%b1%e6%9b%b4%e5%a5%bd%e5%90%97%ef%bc%9fgoogle-brain%e6%9c%80%e6%96%b0%e7%bb%93/?from=timeline&isappinstalled=0

*延伸阅读