Inkrementelles Lernen von Objektklassen mittels Neuronaler Netze

Abstract

Aufgrund der großen Varietät an Objekten und deren geometrischen sowie visuellen Eigenschaften, ist die exakte Klassifizierung von Objekten ein sehr komplexer Vorgang. Um einen Klassifizierungsalgorithmus so zu trainieren, sodass er zwischen einer Vielzahl von unterschiedlichen Objektklassen unterscheiden kann ist ein sehr großer Rechenaufwand sowie eine enorme Menge an Trainingsdaten erforderlich. Um diese Probleme teilweise zu umgehen, wurde eine iterative Trainingsmethode verwendet, um das Wiedererkennen häufig gesehener Objektklassen zu verbessern. Ausgehend von einem schon trainierten convolutional neural network, wurde mittels backpropagation und stochastic gradient das Netz bei jenen Bildern upgedatet, bei welchen die Konfidenz der Klassifizierung zu gering war. Um einen mögliches biasen des Klassifizierers zu vermeiden wurde eine neue Methode self-check angewandt. Diese Methode evaluiert den Klassifizierer bei jedem iterativen Trainingsprozess auf einem Subset des anfänglichen Trainingssets, um so zu überprüfen ob alle Klassen noch korrekt wiedererkannt werden. Zusätzlich haben wir auch unterschiedliche Bildaugmentierungsmethoden zu unterschiedlichen Zeitpunkten während der Klassifizierung beziehungsweise des iterativen Trainingsprozesses angewandt und konnten zeigen, dass sofern die Bilder vor der Klassifizierung augmentiert werden, die Anzahl an korrekt Klassifizierten Bildern abnimmt. Wir haben unsere verwendete Methode auf der cat-10 Datenbank des 3DNet Datensatzes evaluiert und zeigen das durch Anwendung iterativen Trainings die Anzahl an korrekt erkannten Objekte um 20- 30% gesteigert werden kann.

Classifying objects is a very complex procedure due to the big variety of objects and their geometric and visual characteristics. Training an object classifier that is able to distinguish a large number of different object classes typically requires a tremendous amount of computational effort and training data. To partially overcome these problems, an iterative training method is proposed that improves recognition of frequently seen objects. Using a pre-trained convolutional neural network, backpropagation and stochastic gradient descent is used to update the network on every image of the dataset, which is not classified with an high enough confidence. To avoid biasing the classifier towards reappearing objects, we propose self-check. This method evaluates the classifier at every iterative training process on a subset of the initial training set to check if all classes are recognised correctly. Additionally, we use different data augmentation methods in different parts of the classification and training processes and show that if the images are augmented before the classification, the number of correct classified images decreases. We evaluated our method on the cat-10 dataset of the 3DNet database and show that by using the proposed iterative classification method the number of correctly classified objects can be improved by 20 - 30%.