MNIST 手写数字图像的修剪
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
本文介绍了一种新的手写数字数据集 Kannada-MNIST,可作为原 MNIST 数据集的直接替代品,并提供了另外一个真实世界的手写数据集 Dig-MNIST,以作为领域外测试数据集。我们公开了所有代码以及原始扫描图像与扫描设置,这使得研究人员可以进行端到端比较。所得到的基线准确率表明,这些数据集确实提供了一个比 MNIST 或 KMNIST 数据集更具挑战性的普适性挑战。
Aug, 2019
本文提出了一种集成了多个步骤的深度卷积神经网络,直接在图像像素上解决了识别街景图像中任意多位数字的难题,并在公开数据集 SVHN 上达到超过 96% 的识别率,在识别每个数字的任务上超过了当前最先进的技术,在 reCAPTCHA 上的识别准确率为 99.8%,表明该系统在特定操作阈值下可以与甚至超过人类操作员的性能。
Dec, 2013
在图像质量失真的影响下,深度神经网络的表现远不及人类,但两者的错误率存在着较少的相关性,表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。
May, 2017
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
本文通过追踪 MNIST 数字的 NIST 源以及完整重构 MNIST 测试集(60000 个样本而非常用的 10000 个),证实 MNIST 数据集在 25 年实验后仍然保持模型选择和分类器排序的可靠性,虽然误分类率略有波动,这可能是在相同数字上进行分类器比较的配对效益所致。
May, 2019
本文旨在分析卷积神经网络隐藏层模式对其整体性能的影响,针对 MNIST 数据集使用不同层数的神经网络测试其准确率变化并进行比较,探究深度学习在模式识别上的应用。
Sep, 2018
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