本文提出了一种训练深度神经网络的新方法,分别对图像前景(对象)和背景(上下文)区域进行训练,并将多个训练网络结合在一起,以提高图像识别性能,证明了所提出的框架的优点。
Nov, 2016
本文针对深度学习模型在图像分类中忽略主体目标的问题,提出了一种基于前景引导的分类器学习方法,在损失函数和架构组件方面作出一些修改,加强分类器对主体目标的关注并在基准数据集上测试,结果表明该方法可以提高图像分类器的识别准确性。
Jul, 2023
该研究论文利用基于学习的方法和多个反射率图预测环境和物质特性,从而揭示前景物体和背景之间的关系及信息获取方式。
本研究利用背景删除技术作为强健训练的方式,探索性地修改了训练过程,从而提高了黑盒子机器学习模型特征可视化的解释能力,并验证了此假设通过四种不同的训练方法。图像的特征可视化结果表明,使用背景删除图像比使用未修改数据的模型的改进更为显著。
Jun, 2023
本文通过基础的统计推理,发现仅通过研究受损样本可以学习恢复图片,无需外部信息,仅基于含噪数据一个模型能解决多种图像重建问题,包括消除照片噪点和去噪等。
Mar, 2018
通过移除时尚图像的背景以提高数据质量和模型性能,本文对时尚图像进行背景去除的研究进行了实验,结果表明背景去除能够有效地提高简单网络模型在时尚数据分类任务上的准确性,但在深度神经网络中与其他正则化技术不兼容,存在过拟合的风险。
Aug, 2023
通过利用视觉模型的大规模多模态训练和其广泛适应能力,我们评估当前视觉模型对不同物体与背景环境变化的鲁棒性,并利用生成模型来产生多样化的物体与背景变化,从而量化背景环境对深度神经网络的鲁棒性和泛化能力的影响。
Mar, 2024
本文简要介绍了各种噪声模型的概述,这些噪声模型可以通过其来源的分析进行选择,从而提供了数字图像中现有噪声模型的完整和定量分析。
May, 2015
该研究通过学习方法建立了一个分类器来有效地区分静态图像中物体特征和其背景特征,从而实现了揭示物体类别中因果属性存在的可观测足迹的目标。
May, 2016
我们的研究调查了背景引起的偏见对细粒度图像分类的影响,并评估了卷积神经网络和视觉变换器等标准骨干模型在不同遮罩策略下的行为,得出早期遮罩在 ODD 性能方面表现最佳的结论。