通过在训练过程中引入高频特征提取和边缘增强的方法,我们提出了一种增强神经网络的准确性和训练速度的方法。实验证明了我们的方法在两个不同的数据集 CIFAR10 和 CALTECH101 以及三种不同的网络架构 ResNet-18,LeNet-5 和 CNN-9 上的有效性。
Jan, 2024
本文介绍了一个新颖的 CNNs 图像恢复架构,名为 MIRNet,该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征,能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明,MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。
Mar, 2020
本研究提出了一种基于卷积神经网络的方法,适应性地学习鉴别特征以识别典型的图像处理操作,其优于基于手工特征及三个与图像隐写和 / 或取证有关的基于卷积神经网络的方法,且取得了最先进的结果。
Sep, 2017
本文提出了一个有效的图像增强方法,通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形,从而提高对抗性的鲁棒性,同时提高图像质量和保持干净图像上的性能表现。
Jan, 2019
本研究通过建立一个简单的网络架构 (Texture CNN),探究了卷积神经网络 (CNN) 中深度特征提取层与纹理分析方法之间的相似性,并将纹理分析方法中的 filter bank 思想应用到神经网络中,证明了其对提升网络表现和大幅减少运算及占用空间的优势。
Jan, 2016
通过对经过边缘增强扩散预处理的图像进行卷积神经网络训练,可以减少神经网络对纹理的依赖,并展示出对任意程度的纹理重新引入的韧性,同时研究了 EED 预处理对语义分割的连接组件级性能降低、领域泛化以及对抗鲁棒性的影响。
Feb, 2024
本研究提出了一个框架,该框架将多种基于纹理的技术与 CNN 主干结合起来,以提取与图像纹理相关联的最相关特征,使模型可以以自我选择的方式进行训练,并在几个基准数据集上展现了最新的成果。
Jun, 2022
通过引入低复杂度的 CNN 架构模块,我们的方法在提高模型表现方面相较于已有方法性能更好,尤其是在 ResNet-50 分类方面,其表现与 ResNet-152 相当,且具有良好的泛化性能。
Mar, 2019
本文介绍了一种基于卷积神经网络(CNN)的新型纹理描述符 D-CNN,并在嘈杂的环境下完成了纹理和材料识别,并实现了 81.1% 至 82.3% 的识别准确率,显著提高了现有方法的性能。
Nov, 2014
本文提出了一种名为增强卷积神经去噪网络(ECNDNet)的新方法,通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外,提议的网络使用扩张卷积增大了上下文信息,降低了计算成本,并在广泛实验中证明了 ECNDNet 优于图像去噪的现有最先进方法。
Oct, 2018