Jan, 2017

使用深度卷积神经网络对失真图像进行分类

PDF
TL;DR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。
发现论文，激发创造
  • DeepCorrect: 对抗图像扭曲的深度神经网络模型校正

    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

  • 理解图像质量如何影响深度神经网络

    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

  • 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

  • 使用离散余弦变换的深度卷积神经网络进行失真鲁棒图像分类

    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

  • 高质量韧性深度神经网络

    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

  • 基于 CNN 的图像分类对图像退化的影响

    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

  • 人类和深度学习在视觉扭曲下识别性能的研究与比较

    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

  • 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

  • 使用有噪声的标签训练卷积神经网络

    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

  • 基于不确定性的噪声图像标签检测和重新标记

    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