ALCN：自适应局部对比度归一化
计算机视觉与模式识别
2020-04-20 v1
摘要
为使机器人与增强现实应用对照明变化具有鲁棒性，当前的趋势是使用在许多不同光照条件下采集的训练图像来训练深度网络。然而，创建这样的训练集是一项非常繁琐且复杂的任务。因此我们提出了一种新颖的照明归一化方法，可轻松用于具有挑战性光照条件的不同问题。我们的初步实验表明，在当前的归一化方法中，高斯差分法仍是一个非常好的基线，我们引入了一种推广该方法的新颖照明归一化模型。我们的关键见解是，归一化参数应依赖于输入图像，并且我们旨在训练一个卷积神经网络（Convolutional Neural Network）从输入图像预测这些参数。然而，这无法以监督方式完成，因为最优参数并非先验已知。因此我们设计了一种方法，将该网络与另一个旨在不同光照下识别物体的网络联合训练：当前者网络预测出良好的归一化参数值时，后者网络表现良好。我们表明，我们的方法显著优于标准归一化方法，并且似乎也具有通用性，因为它无需为每个新应用重新训练。我们的方法提升了最先进的3D目标检测与人脸识别方法对光照变化的鲁棒性。
引用
@article{arxiv.2004.07945,
title = {ALCN: Adaptive Local Contrast Normalization},
author = {Mahdi Rad and Peter M. Roth and Vincent Lepetit},
journal= {arXiv preprint arXiv:2004.07945},
year = {2020}
}
备注
This version corresponds to the pre-print of the paper accepted for Computer Vision and Image Understanding (CVIU). arXiv admin note: substantial text overlap with arXiv:1708.09633