Improving CNN classifiers by estimating test-time priors

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00337392" target="_blank" >RIV/68407700:21230/19:00337392 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/ICCVW.2019.00402" target="_blank" >https://doi.org/10.1109/ICCVW.2019.00402</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICCVW.2019.00402" target="_blank" >10.1109/ICCVW.2019.00402</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving CNN classifiers by estimating test-time priors

Popis výsledku v původním jazyce

The problem of different training and test set class priors is addressed in the context of CNN classifiers. We compare two approaches to the estimation of the unknown test priors: an existing Maximum Likelihood Estimation (MLE) method and a proposed Maximum a Posteriori (MAP) approach introducing a Dirichlet hyper-prior on the class prior probabilities. Experimental results show a significant improvement in the fine-grained classification tasks using known evaluation-time priors, increasing top-1 accuracy by 4.0%on the FGVC iNaturalist 2018 validation set and by 3.9%on the FGVCx Fungi 2018 validation set. Estimation ofthe unknown test set priors noticeably increases the accuracy on the PlantCLEF dataset, allowing a single CNNmodel to achieve state-of-the-art results and to outperform the competition-winning ensemble of 12 CNNs. The pro-posed MAP estimation increases the prediction accuracy by2.8% on PlantCLEF 2017 and by 1.8% on FGVCx Fungi,where the MLE method decreases accuracy.

Název v anglickém jazyce

Improving CNN classifiers by estimating test-time priors

Popis výsledku anglicky

The problem of different training and test set class priors is addressed in the context of CNN classifiers. We compare two approaches to the estimation of the unknown test priors: an existing Maximum Likelihood Estimation (MLE) method and a proposed Maximum a Posteriori (MAP) approach introducing a Dirichlet hyper-prior on the class prior probabilities. Experimental results show a significant improvement in the fine-grained classification tasks using known evaluation-time priors, increasing top-1 accuracy by 4.0%on the FGVC iNaturalist 2018 validation set and by 3.9%on the FGVCx Fungi 2018 validation set. Estimation ofthe unknown test set priors noticeably increases the accuracy on the PlantCLEF dataset, allowing a single CNNmodel to achieve state-of-the-art results and to outperform the competition-winning ensemble of 12 CNNs. The pro-posed MAP estimation increases the prediction accuracy by2.8% on PlantCLEF 2017 and by 1.8% on FGVCx Fungi,where the MLE method decreases accuracy.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/TE01020415" target="_blank" >TE01020415: Centrum kompetence ve zpracování vizuálních informací (V3C - Visual Computing Competence Center)</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2019 IEEE International Conference on Computer Vision Workshops (ICCVW 2019)

ISBN

—

ISSN

2473-9944

e-ISSN

2473-9944

Počet stran výsledku

7

Strana od-do

3220-3226

Název nakladatele

IEEE Computer Society

Místo vydání

Los Alamitos

Místo konání akce

Seoul

Datum konání akce

27. 10. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—