.png){kind=icon}
返回
Curriculum Dataset Distillation
.png){kind=icon}
OA
AI
DOI：10.1109/TIP.2025.3579228.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数数据集精炼方法由于巨大的计算和内存需求，难以适应大规模数据集。近期研究开始探索可扩展的解耦方法。然而，在这方面仍然存在性能瓶颈和优化空间。在本文中，我们提出了一种基于课程的数据集精炼框架，旨在调和性能和可扩展性。该框架战略性地精炼合成图像，遵循从简单到复杂的课程。通过引入课程评估，我们解决了先前方法生成图像趋于同质化和简单化的问题，同时以可管理的计算成本实现。此外，我们引入了对合成图像的对抗性优化，以进一步提高其代表性，并防止其过度拟合到参与精炼的神经网络中。这增强了精炼图像在不同神经网络架构上的泛化能力，也提高了其对噪声的鲁棒性。大量实验表明，我们的框架在大规模数据集精炼方面建立了新的基准，在Tiny-ImageNet上实现了11.1%的显著提升，在ImageNet-1K上实现了9.0%的提升，在ImageNet-21K上实现了7.3%的提升。我们的精炼数据集和代码可在https://github.com/MIV-XJTU/CUDD获取。
Keyword:
Dataset distillation
dataset condensation
curriculum learning
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
查看更多内容