卷积神经网络在检测部分而非全部图案时达到最优灵敏度
计算机视觉与模式识别
2020-07-10 v3
摘要
我们研究了现代卷积神经网络（CNN）与线性支持向量机（SVM）在空间对比灵敏度方面的表现。具体而言，我们将 CNN 灵敏度与信号精确已知、噪声统计已知的贝叶斯理想观察者（IO）的灵敏度进行比较。ResNet-18 在谐波图案以及包括人脸在内的几类真实世界信号上达到了最优表现。对于这些刺激，CNN 大幅优于 SVM。我们进一步分析了信号可能出现在多个位置之一的情况，发现 CNN 空间灵敏度仍与 IO 匹配。然而，CNN 在检测某些复杂纹理图案时灵敏度远低于最优。这些测量表明，CNN 在检测空间图案存在性时可能有非常大的性能差异。这些差异可能对旨在检测低对比度空间图案的成像系统性能产生显著影响。
引用
@article{arxiv.1911.05055,
title = {A convolutional neural network reaches optimal sensitivity for detecting some, but not all, patterns},
author = {Fabian H. Reith and Brian A. Wandell},
journal= {arXiv preprint arXiv:1911.05055},
year = {2020}
}
备注
22 pages, 8 figures, pre-print