使用动态率神经网络进行压缩域图像分类
计算机视觉与模式识别
2020-12-15 v2
摘要
压缩域图像分类直接在单像素相机获取的压缩测量上执行分类，绕过图像重建步骤。对于以经济高效的方式扩展超越可见光谱的高速目标检测与分类，尤其在资源受限平台上，具有重要意义。以往的神经网络方法需要为每个不同测量率（MR）训练一个专用神经网络，这在计算和存储上代价高昂。在本工作中，我们开发了一种高效训练方案，赋予神经网络动态率特性，其中单个神经网络能够在给定感知矩阵下，对感兴趣范围内任意MR进行分类。该训练方案仅使用少数选定MR进行训练，训练后的神经网络在感兴趣的完整MR范围内均有效。我们在MNIST、CIFAR-10、Fashion-MNIST、COIL-100数据集上展示了动态率神经网络的性能，并表明其在各MR下生成的性能与仅对单一MR有效的单率神经网络大致相当。还展示了动态率模型对噪声的鲁棒性。该动态率训练方案可视为一种通用方法，兼容不同类型的感知矩阵、各种神经网络架构，并且是通过神经网络更广泛采用压缩推断技术及其他压缩感知相关任务的宝贵一步。
引用
@article{arxiv.1901.09983,
title = {Compressed Domain Image Classification Using a Dynamic-Rate Neural Network},
author = {Yibo Xu and Weidi Liu and Kevin F. Kelly},
journal= {arXiv preprint arXiv:1901.09983},
year = {2020}
}