Nov, 2018

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

PDF
TL;DR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。
convolutional neural networkimage classificationdct-netdistortion robustdeep network
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于深度学习的盲图像几何失真校正

    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

  • 变形不变神经网络及其在扭曲图像恢复和分析中的应用

    提出了一种应对图像在几何失真时的成像任务的框架 —— 变形不变神经网络（DINN），该框架利用拟保角变换器网络（QCTN）将几何失真的图像转换为更接近自然或良好图像分布的改进版本，并在图像分类和图像恢复中取得了较好的性能。

    Oct, 2023

  • 学习 JPEG 压缩伪迹用于图像篡改检测和定位

    通过使用卷积神经网络 (CNN) 和离散余弦变换 (DCT) 系数，本文提出了一种用于本地化检测图像篡改的方法，并介绍了 Compression Artifact Tracing Network (CAT-Net)。CAT-Net 与传统方法和基于深度神经网络的方法相比，在检测和本地化篡改区域时具有更好的性能。

    Aug, 2021

  • 深度卷积网络用于压缩伪影降噪

    通过深度卷积网络的成功在超分辨率方面的成功，该论文提出了一种紧凑有效的网络，用于无缝衰减不同类型的压缩伪影，并证明使用传输学习和易于困难学习的思想可以在低级别视觉问题中实现出色的性能。

    Aug, 2016

  • 探索基于 DCT 表示的语义分割

    本文提出了一种在离散余弦变换（DCT）表示上执行语义分割的方法，通过重新排列 DCT 系数以形成首选输入类型，并针对 DCT 输入量调整现有网络来实现。该方法的准确性接近于 RGB 模型，在网络复杂性相当的情况下，适当选择 DCT 分量可以使用 36％的 DCT 系数获得相同水平的准确性，并且可以显示该方法的鲁棒性在量化误差下。据我们所知，这是第一篇探索 DCT 表示上的语义分割的论文。

    Jul, 2019

  • 使用深度卷积神经网络进行指纹畸变校正

    本文提出了一种基于深度卷积神经网络的指纹形变修正模型，可快速准确地估计图像的形变参数，从而显著提高了扭曲样本的匹配性能。

    Jan, 2018

  • 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