使用深度卷积神经网络对失真图像进行分类
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。
May, 2017
本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现,结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感,这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。
Apr, 2016
本文提出一种基于离散余弦变换的 DCT-Net 模块,可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息,DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况,仅需盲目一次训练即可用于未知的图像失真情况,结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。
Nov, 2018
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
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
本论文探究了在实际情况中,数据标注不可避免地有可能存在噪声标签的情况下,利用引入噪声层的方法,在 Convolutional Network 模型上进行判别性训练以获得更好的性能。同时在多个数据集上进行了实验,包括在 ImageNet 分类基准测试上的大规模试验。
Jun, 2014
本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法,该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。
May, 2019