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

Jul, 2023

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

On the ability of CNNs to extract color invariant intensity based features for image classification

Pradyumna Elavarthi, James Lee, Anca Ralescu

TL;DR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。

Abstract

convolutional neural networks (CNNs) have demonstrated remarkable success in vision-related tasks. However, their susceptibility to failing when inputs deviate from the training distribution is well-documented. Recent studies suggest that CNNs exhibit a bias toward texture instead of o

convolutional neural networks background information color distributions regularization techniques image classification

发现论文，激发创造

充满挑战的光环境中的颜色识别：卷积神经网络方法

基于卷积神经网络的颜色检测方法可以显著提高在不同光照条件下的稳健性，并且比现有方法表现更好。

Feb, 2024

使用 CNN 的色彩恒常性

利用卷积神经网络对场景照明进行精确预测，在空间域中以图像块为输入，不使用手工制作的特征，该网络包括一个卷积层、一个最大池化层、一个全连接层和三个输出节点，将特征学习和回归一体化到一个优化过程中，在常规的 RAW 图像数据集上取得了最新成果，对具有空间变化照明的图像的初步实验表明 CNN 局部光源估计能力的稳定性。

Apr, 2015

色彩等变卷积网络

本研究介绍了一种新颖的深度学习建模方法，即 Color Equivariant Convolutions (CEConvs)，通过在神经网络中引入参数共享的色调变换，实现了跨颜色频谱的形状特征共享同时保留重要的颜色信息，从而在解决基于颜色的数据偏移问题上具有很大的潜力。在实验中，我们将 CEConvs 集成到现有的体系结构中，如 ResNets，并展示了其对各种任务的下游性能和对颜色变化包括训练和测试分布的改善稳健性的优势。

Oct, 2023

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

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。

Jan, 2022

卷积神经网络中的纹理偏差起源和普及程度

通过数据增广和改变训练集数据的方式，可以减弱 CNN 网络中很常见的纹理偏见，并且提高非常规测试集上的表现。

Nov, 2019

ImageNet 训练的 CNN 偏向于纹理；增加形状偏差可以提高准确性和鲁棒性

这篇文章通过对卷积神经网络（CNNs）和人类观察者在具有纹理 - 形状线索冲突的图像上进行实验，揭示了 CNN 在识别物体时更倾向于识别纹理而非形状的基本不同分类策略，同时表明将 CNN 在 Stylized-ImageNet 数据集上训练可以学习到形状为基础的表示，可以更好地拟合人类行为表现，同时具有提高物体检测性能和对各种图像扭曲的鲁棒性的优点。

Nov, 2018

实例感知图像上色

本论文提出了一种基于物体实例的彩色化方法，利用深度神经网络提取物体级别的特征，并采用融合模块组合全图像级别和物体级别的特征来预测最终颜色，大规模实验结果表明该方法优于现有的方法，达到了图像彩色化的最新性能。

May, 2020

深度神经网络与人类之间的色彩感知差异

深度神经网络（DNN）在图像分类和物体识别任务中的表现令人印象深刻，然而它们对于颜色知觉等人类视觉基本方面的捕捉程度仍不清楚。本研究使用新型实验评估了 DNN 颜色嵌入的感知一致性，并通过在线调查评估了这些算法如何预测人类的颜色相似性判断。我们发现最先进的 DNN 架构，包括卷积神经网络和视觉变换器，所提供的颜色相似性判断与人类得出的（i）具有受控颜色属性的图像、（ii）从在线搜索生成的图像以及（iii）来自经典 CIFAR-10 数据集的现实世界图像存在显著差异。与我们检查的所有 DNN 相比，我们的基于小波分解的可解释和基于认知的颜色知觉模型提供更一致的颜色嵌入结果，更好地预测了人类的颜色判断。这些结果适用于在使用类似 DNN 体系结构进行训练的高级视觉任务（例如图像分类与图像分割）以及检查给定 DNN 体系结构中不同层的颜色嵌入时。这些发现在分析机器学习算法的感知表示和改进其作为人类视觉的认知合理模型的努力中创新了新的领域。机器学习、人类感知和具身认知的影响正在讨论中。

Sep, 2023

评估卷积神经网络的形状偏差特性

本文探讨了卷积神经网络的形状偏差属性，通过使用将亮度反转的负图像等度量方法评估 CNNs 的形状偏差属性，进行大规模实验并研究了不同因素，如训练数据、模型架构、初始化和规则化技术，对 CNNs 形状偏差属性的作用。结果表明，CNNs 不会固有地表现出形状偏差，但是适当初始化模型或适当增强数据和使用批归一化技术，可以使 CNNs 学习和推广结构。

Mar, 2018

通过图像风格化实现简单的域泛化

该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法，以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法，并通过详细的分析证实了该方法的机制，结果超过或与使用更复杂的方法的现有技术相当。

Jun, 2020