基于 CNN 的低分辨率图像目标分类器演进
计算机视觉与模式识别
2021-01-05 v1 机器学习
图像与视频处理
摘要
目标分类是计算机视觉中的一项重要任务。作为图像处理的重要方面以及图像定位、检测与场景解析的构建模块，它已成为一个有效的研究领域。由于目标颜色、长宽比的变化以及背景杂乱，从低质量图像中进行目标分类十分困难。目标分类领域已取得显著进展，深度卷积神经网络（DCNNs）的发展便是其中之一。深度神经网络已被证明是应对高分辨率图像目标分类挑战的非常强大的系统，但由于高计算与内存需求，将此类目标分类网络部署在嵌入式设备上仍然具有挑战性。使用高质量图像常导致高计算与内存复杂度，而低质量图像可解决此问题。因此，本文研究一种利用 DCNNs 架构精确分类低质量图像的最优架构。为在低质量图像上验证不同基线，我们使用网络摄像头捕获的 10 种不同物体图像数据集进行实验。在本研究工作中，我们通过实现流行的 CNN 架构来评估所提架构。实验结果验证，对于低分辨率网络摄像头图像数据集，MobileNet 架构优于大多数现有 CNN 架构。
引用
@article{arxiv.2101.00686,
title = {An Evolution of CNN Object Classifiers on Low-Resolution Images},
author = {Md. Mohsin Kabir and Abu Quwsar Ohi and Md. Saifur Rahman and M. F. Mridha},
journal= {arXiv preprint arXiv:2101.00686},
year = {2021}
}
备注
Accepted in IEEE Honet 2020