通过迁移学习解决计算机视觉问题

来源：公众号 AI公园
作者：Orhan G. Yal??n
编译：ronghuaiyang
导读
使用SOTA的预训练模型来通过迁移学习解决现实的计算机视觉问题。

文章插图
EfficientNet
EfficientNet是一种最先进的卷积神经网络，由谷歌在2019年的论文“efficient entnet: Rethinking Model Scaling for convolutional neural Networks”中训练并发布。EfficientNet有8种可选实现(B0到B7)，甚至最简单的EfficientNet B0也是非常出色的。通过530万个参数，实现了77.1%的最高精度性能。

文章插图
EfficientNetB0的特性简要介绍如下：
尺寸：29 MB
Top-1 准确率：77.1%
Top-5 准确率：93.3%
参数数量：~5,300,000
深度：159
其他的计算机视觉问题的预训练模型
我们列出了四种最先进的获奖卷积神经网络模型。然而，还有几十种其他模型可供迁移学习使用。下面是对这些模型的基准分析，这些模型都可以在Keras Applications中获得。

文章插图
总结
在一个我们可以很容易地获得最先进的神经网络模型的世界里，试图用有限的资源建立你自己的模型就像是在重复发明轮子，是毫无意义的。
相反，尝试使用这些训练模型，在上面添加一些新的层，考虑你的特殊计算机视觉任务，然后训练。其结果将比你从头构建的模型更成功。
原文标题：4个计算机视觉领域常用迁移学习模型
文章出处：【微信公众号：新机器视觉】欢迎添加关注！文章转载请注明出处。
责任编辑：haq