BIFRNet：一种用于部分遮挡图像识别的脑启发特征复原深度神经网络
计算机视觉与模式识别
2023-03-17 v2 人工智能
摘要
部分遮挡图像识别(POIR)问题长期以来一直是人工智能面临的挑战。处理POIR问题的常见策略是利用未遮挡特征进行分类。遗憾的是，当图像被严重遮挡时该策略失效，因为可见部分只能提供有限信息。神经科学的若干研究揭示，填补遮挡信息、被称为无模态补全的特征复原对人类大脑识别部分遮挡图像至关重要。然而，CNN通常忽略特征复原，这或许是CNN在POIR问题上表现不佳的原因。受此启发，我们提出一种新颖的脑启发特征复原网络(BIFRNet)来解决POIR问题。它模拟腹侧视觉通路提取图像特征，并模拟背侧视觉通路区分遮挡与可见图像区域。此外，它还使用知识模块存储物体先验知识，并使用补全模块基于可见特征与先验知识复原遮挡特征。在合成与真实世界遮挡图像数据集上的充分实验表明，BIFRNet在解决POIR问题上优于现有方法。尤其对于严重遮挡图像，BIRFRNet大幅超越其他方法，并接近人脑表现。此外，脑启发设计使BIFRNet更具可解释性。
引用
@article{arxiv.2303.01309,
title = {BIFRNet: A Brain-Inspired Feature Restoration DNN for Partially Occluded Image Recognition},
author = {Jiahong Zhang and Lihong Cao and Qiuxia Lai and Binyao Li and Yunxiao Qin},
journal= {arXiv preprint arXiv:2303.01309},
year = {2023}
}
备注
This paper has been accepted by AAAI-2023