ImageNet模型能够迁移适用图像推荐吗？30页slides告诉你

【导读】Felipe del Rio等人发表了一篇论文，阐述了ImageNet模型是否能够迁移使用图像推荐的问题。

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“ImageNet4Rec” 就可以获取本文论文及slides。

在ImageNet大规模视觉识别竞赛 (ILSVRC) 中训练的卷积神经网络 (CNN) 中的视觉嵌入，在迁移学习方面一直表现出良好的性能，在图像推荐等多项任务中得到了广泛的应用。然而，为了将这些嵌入应用于更大范围的推荐领域，一些重要的问题尚未得到回答：

(A) 在ImageNet中性能更好的CNN在基于内容的图像推荐中是否也能更好地进行迁移学习？

(B) FNE调优是否有助于提高性能？

(C) 执行FNE调优的最佳方法是什么？

本文将几种CNN模型与ImageNet数据集进行了比较，以评价它们在图像推荐任务中的学习效果。我们的结果表明，在ImageNet挑战中性能更好的模型并不总是意味着更好地迁移学习来执行艺术图像推荐任务(例如，NASNET与ResNet)。进一步的分析表明，FNE调优即使在一个较小的数据集下也是有帮助的，但并不是每个FNE调优都有效。

我们的结果，虽然是初步的，侧重于艺术领域，可以告知其他研究人员和从业人员如何训练他们的CNN，以便更好地在图像推荐系统进行迁移学习。

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

 AI 项目技术 & 商务合作：bd@zhuanzhi.ai, 或扫描上面二维码联系！

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知