深度神经网络架构受退化影响的效果

Jul, 2018

深度神经网络架构受退化影响的效果

Effects of Degradations on Deep Neural Network Architectures

Prasun Roy, Subhankar Ghosh, Saumik Bhattacharya, Umapada Pal

TL;DR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。

Abstract

Deep convolutional neural networks (CNN) have massively influenced recent advances in large-scale image classification. More recently, a dynamic routing algorithm with capsules (groups of neurons) has shown state-of-the-art recognition performance. However, the behavior of such network

convolutional neural networks dynamic routing algorithm noise robustness image degradation models deep architectures

发现论文，激发创造

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

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

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

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。

Oct, 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

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

深度 Capsule 网络

DeepCaps 是一个使用三维卷积动态路由算法的深度胶囊网络架构，通过引入识别物理属性的类独立编码器网络，使用重构损失作为正则化项，实现在 CIFAR10，SVHN 和 Fashion MNIST 上胶囊网络领域最先进的结果，并减少 68％的参数。

Apr, 2019

胶囊网络在复杂数据上的性能

本文介绍了卷积神经网络的两个不足之处：不能考虑特征之间的重要空间关系和缺乏旋转不变性。为了解决这个问题，Hinton 等人提出了一种新型神经网络 —— 胶囊网络，该网络采用动态路由和重构正则化技术，具有旋转不变性和空间感知能力。在 MNIST 数据集上进行测试，胶囊网络的测试错误率为 0.25％，优于以前 0.39％的基准。同时，我们还尝试找到最佳配置组合，以在 CIFAR10 数据集上获得最佳测试结果。

Dec, 2017

使用深度卷积神经网络对失真图像进行分类

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

目标分割胶囊

本文介绍一种名为 SegCaps 的新型卷积 - 反卷积胶囊网络，扩展了胶囊网络的使用范围到目标分割任务，并表现出与其他基于 U-Net 的体系结构相比精度更高效率更高，同时参数空间减少了 95.4％。

Apr, 2018

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