一种可训练的单genic卷积网络层在图像分类中面对大对比度变化时的鲁棒性

卷积神经网络（ConvNets）目前在图像分类任务中取得了卓越的性能。然而，当前的卷积神经网络无法保证具有哺乳动物视觉系统的能力，例如对对比度和光照变化的不变性。一些克服光照和对比度变化的思路通常必须手动调整，并且在面对其他类型的数据退化时往往失效。在此背景下，我们提出了一种新的受生物启发的输入层 M6，它检测低级几何特征（线、边缘和方向），这些特征类似于 V1 视觉皮层检测到的模式。这一新的可训练层能够在存在大对比度变化的情况下仍进行图像分类。这种行为的原因在于单genic信号几何，它使用四元数在三维空间中表示每个像素值，这一事实赋予了网络一定程度的可解释性。我们将 M6 与常规卷积层（C）和确定性四元数局部相位层（Q9）进行比较。实验设置旨在评估我们 enriched with M6 的卷积网络模型的鲁棒性，包括三种架构、四个数据集、三种对比度退化类型（包括非均匀雾霾退化）。数值结果表明，带有 M6 的模型在面对任何类型的对比度变化时都是最鲁棒的。这相当于对 C 模型的显著增强，后者通常仅在使用相同的训练和测试退化时才具有相当好的性能，最大退化情况除外。此外，结构相似性指数测度（SSIM）被用于分析和解释 M6 特征图在任何对比度退化下的鲁棒性效应。