通过数据高效训练和减小 CNN 偏差在红外图像上进行背景不变分类

AAAIJan, 2022

通过数据高效训练和减小 CNN 偏差在红外图像上进行背景不变分类

Background Invariant Classification on Infrared Imagery by Data Efficient Training and Reducing Bias in CNNs

Maliha Arif, Calvin Yong, Abhijit Mahalanobis

TL;DR本研究提出了一种新的两步训练过程，称为 split training，旨在减少卷积神经网络中对背景纹理的学习，通过使用均方误差损失和交叉熵损失，对简单 CNN 架构和 VGG 及 Densenet 等多路硬件使用的深度 CNN 架构进行训练，其准确率更高，并且能够学习模仿更注重形状和结构而非背景的人类视觉。

Abstract

Even though convolutional neural networks can classify objects in images very accurately, it is well known that the attention of the network may not always be on the semantically important regions of the scene. It has been observed that networks often learn →

convolutional neural networks split training background textures mse loss cross-entropy loss

发现论文，激发创造

卷积神经网络提取基于强度的颜色不变特征于图像分类的能力

本文探讨了卷积神经网络在图像分类任务中受背景信息和色彩影响的能力，并提出利用 dropout 正则化对模型进行轻微结构修改以增强颜色不变性特征的分类准确度的潜在解决方案。

Jul, 2023

基于单一示例的可见光和红外自我监督融合训练

该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

Jul, 2023

使用深度卷积神经网络的红外图像上色

本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法，通过 NIR 和 RGB 像素之间的直接集成传输来训练模型，不需要任何用户指导或参考图像数据库，在召回阶段生成具有自然外观的图像，并通过保留 NIR 图像的丰富细节，将其高频特征转移至估算的 RGB 图像，本方法在一个真实世界的数据集上进行了训练和评估，该数据集包含大量夏季道路场景图像，由多 CCD NIR/RGB 相机捕获，保证了完美的像素对齐。

Apr, 2016

一种用于背景消除的深度卷积神经网络

本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

Feb, 2017

深度神经网络背景偏差减轻的更快 ISNet

利用 ISNet 架构及 Layer-wise Relevance Propagation (LRP) 热图优化，我们提出重新构建的架构，通过最小化背景相关性，防止深度分类器决策中的背景特征影响，从而减少捷径学习并提高泛化能力。在 MNIST 数据集和 COVID-19 胸部 X 射线检测中，我们的模型在最小化背景影响和阻止捷径学习的同时，保持了高准确性，相较于其他深度神经网络架构更具准确性，这表明这些架构在训练速度上是对 ISNet 的巨大改进。

Jan, 2024

语义分割中增量学习的背景建模

本文探讨了深度架构在更新模型上的遗忘问题和在语义分割中的特殊性，提出了一种基于蒸馏的框架解决语义分割中的背景类语义分布不一致的问题，并引入了一种新的分类器参数初始化策略，最终在 Pascal-VOC 2012 和 ADE20K 数据集上显著优于现有的增量学习方法。

Feb, 2020

基于超光谱图像迁移学习的地形分类：一项比较研究

通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

Jun, 2022

基于两阶段卷积神经网络的背景重构和前景分割

本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

Jul, 2017

使用 3D 卷积神经网络学习红外动作识别的时空特征

该研究提出了一种新的基于两个流的 3D 卷积神经网络体系结构，使用光流场序列处理红外图像，应用于红外动作识别（InfAR）数据集，实验结果表明我们的方法在 InfAR 数据集上可以获得最好的平均精度（AP）表现。

May, 2017

张量分解用于数据受限红外物体检测中的跨模态知识利用

通过从 RGB 模态中获取线索来扩展红外模态中的物体检测器，该方法利用了一种名为 TensorFact 的新型张量分解方法，通过预训练因子矩阵，进一步优化在 FLIR ADAS v1 数据集上的性能。

Sep, 2023