Oct, 2016

卷积神经网络方法的敏感性分析：嘈杂环境下的细粒度识别

PDF
TL;DR本文旨在研究在细粒度识别方面 CNN 输出对图像转换和噪声的敏感性，回答了如何预测 CNN 的敏感度并增强其稳健性，使用常用的 CNN 架构 (AlexNet、VGG19、GoogleNet) 进行了广泛的经验灵敏度分析，并表明了 VGG19 相比于 AlexNet 和 GoogleNet 更具有鲁棒性，但是即使对于 VGG19，微小的强度噪声也会导致 CNN 性能的巨大变化。
cnnimage transformationsimage degradationsfine-grained recognitionrobustness
发现论文，激发创造
  • 深度神经网络架构受退化影响的效果

    本文通过对几种深度学习算法在不同图像噪声下的表现进行评估，研究了针对噪声鲁棒性的不同网络架构，以辅助在特定应用环境下选择最佳模型。

    Jul, 2018

  • 图像退化如何影响基于深度卷积神经网络的人脸识别？

    本研究使用 LFW 数据集，评估了 AlexNet，VGG-Face 和 GoogLeNet 三种常见的深度卷积神经网络模型在不同图像降质情况下的表现，发现遮挡、运动模糊和噪声等因素会显著降低性能，而对于颜色失真和平衡变化等影响，深度卷积神经网络表现出较好的鲁棒性。

    Aug, 2016

  • 野外细粒度图像分类

    本文从层次知识入手，进行细粒度分类实验，验证模型在此类型下的稳健性，并通过其他方法解释和评估模型的错误分类行为。

    Mar, 2023

  • 深度学习模型对抗图像退化下的人脸识别优势和劣势

    本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。

    Oct, 2017

  • 对抗噪声下的鲁棒卷积神经网络

    这篇论文提出了一种新的前馈卷积神经网络模型，通过引入随机加性噪音来增强网络对抗噪音的鲁棒性，其模型仅基于每个像素的均值和方差来简化计算，训练效果优于其他方法，特别是对于更难的分类任务或更强的对抗性噪声。

    Nov, 2015

  • 人类与深度神经网络的泛化能力

    通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

    Aug, 2018

  • 卷积神经网络的强健性和可迁移性研究

    对现代深度卷积网络（CNN）未能在分布漂移下推广的问题进行了研究，并探究了预备数据量、模型规模和数据处理流程对迁移性能的影响，发现增加训练集和模型大小显著提高了分布偏移鲁棒性，同时是非常简单的预处理，如修改图像分辨率在某些情况下可以显著缓解鲁棒性问题。最后，我们提出了一个新的综合数据集 SI-Score 进行了系统的分析。

    Jul, 2020

  • 卷积网络识别中模糊的影响研究

    本文探讨使用模糊图像的语义视觉任务中对基于卷积神经网络的模型的影响以及如何通过对预训练模型进行微调并加入模糊图像进行训练来提高模型精度，发现模型在隐藏层中学习生成模糊不变表示并且具有很强的模糊泛化能力，为开发实现在受模糊影响的实际世界图像上可靠操作的视觉系统提供有用的见解。

    Nov, 2016

  • 卷积神经网络的敏感性分析与句子分类从业者指南

    本文通过敏感性分析探索了卷积神经网络的架构要素和超参数对句子分类任务的影响，并从实证结果中提出了使用 CNN 进行句子分类的实用建议。

    Oct, 2015

  • 增强卷积神经网络对质量下降数据集的性能

    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