本文系统研究图像失真对深度神经网络分类器的影响,提出了重训练与加噪音微调两种方法,结果表明在特定条件下,加噪音微调可以有效减轻图像失真对分类器的影响,并且比重新训练更为实用。
Jan, 2017
研究神经网络在图像分类中受质量失真的影响,提出了一种基于混合专家模型的解决方案,通过权重共享方式减少网络参数数量并提高性能。
Mar, 2017
研究深度神经网络中的噪声问题,提出双通道模型来改善图像分类性能。
Oct, 2017
本文研究了 JPEG 压缩对常见计算机视觉任务和数据集的影响,发现高度压缩会显著损害图像识别性能,进而尝试采取几种方法来缓解该损害,其中包括一种不需标签训练的基于伪影校正的新方法。
Nov, 2020
在图像质量失真的影响下,深度神经网络的表现远不及人类,但两者的错误率存在着较少的相关性,表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。
May, 2017
本文提出了一种称为 DeepCorrect 的方法,通过对权值进行微调,修正深度神经网络中感受野受损图像变形的问题,该方法显著提高了网络的鲁棒性和性能。
本文通过实验从四个不同角度:雾化、水下、运动模糊、鱼眼,探讨了深度学习神经网络中卷积神经网络在处理污损图片分类问题上的性能变化,以及使用现有计算机视觉算法删除这些污损是否可以提高分类性能的问题。
Oct, 2018
这篇研究使用深度学习技术进行失真通用的盲目图像质量评估,通过将子区域的评分进行平均池化,使用分类基础图像质量评估的 CNN 微调提取的特征,使用 SVR 机器计算每个子区域的评分,进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法,并且在很多情况下,比普通的人类观察者的评分更加接近平均观察者的评分。
Feb, 2016
深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而,目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此,我们提出一个问题:在无约束条件下,面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗?基于此,我们对跨质量的人脸图像进行了评估,以评估深度学习方法在野外图像上的表现,并设计了一个人脸验证实验。结果表明,在深度学习中仍需要对图像质量问题进行深入研究,并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力,称深度学习方法超过人类水平过于乐观。
Jul, 2023
提出了一种基于深度学习的方法,包含两个 CNN 子单元的深度架构,以及一个自行收集的包含自然扭曲的图像的图像库 BIQ2021,用于模型训练和验证。通过在多个数据集上的实验,证明了该方法的性能和广泛的泛化性能。
May, 2023