高质量韧性深度神经网络
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
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
本文提出了一种简单而有效的神经网络层结构,其可以并行执行多个操作并通过注意力机制进行加权,以选择适当的操作来应对多种组合失真。实验结果表明,该方法比以前的方法在恢复具有多个组合失真的图像方面更为有效。
Dec, 2018
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
本篇研究提出了一种用于盲目图像质量评估的深层双线性模型,它适用于合成和真实失真,包括使用卷积神经网络进行预处理和特征提取的方法,并在目标评分数据库上进行深度微调,最终在大规模数据效果表现优越。
Jul, 2019
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
本文研究发现深度神经网络在训练时即使将权重量化并投影为二进制表示也能取得优秀的性能,而在测试阶段,这些网络对于除量化以外的扭曲,包括加性和乘性噪声以及一类非线性投影具有显著的鲁棒性。此外,我们还发现基本水平的鲁棒性可以通过调整或删除一个通用的训练启发式(即在反向传播过程中投影量化权重)来实现,包括使用其他类型的权重投影和简单地剪裁权重。最后,我们提出了一种随机投影规则,实现了无数据增强条件下 CIFAR-10 中 7.64% 的测试错误率的最新记录。
Jun, 2016
我们提出了第一个通用框架,用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络(CNN),通过使用大型合成畸变数据集进行训练,以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数,实现更准确的预测,并使用高效,高质量的重采样方法生成最终的校正图像。实验结果表明,我们的算法优于传统的校正方法,可实现有趣的应用,如畸变转移,畸变夸张和共同发生的畸变校正。
Sep, 2019