通过深度网络在不利条件下增强视觉识别
计算机视觉与模式识别
2019-04-04 v2
摘要
由于图像采集、传输或存储过程中普遍存在的质量失真，不利条件下的视觉识别是一个非常重要且具有高实用价值且富有挑战性的问题。尽管深度神经网络已分别被广泛应用于低质量图像复原与高质量图像识别任务的技术中，但针对从极低质量图像进行识别这一重要问题的研究甚少。本文提出一种基于深度学习的框架，利用鲁棒不利预训练或其激进变体，提升不利条件下图像与视频识别模型的性能。鲁棒不利预训练算法利用了预训练的能力，并推广了传统的无监督预训练与数据增强方法。我们进一步开发了迁移学习方法以应对未知不利条件的真实世界数据集。所提框架在多个图像与视频识别基准上进行了全面评估，并在各种单一或混合不利条件下获得了显著的性能提升。我们的可视化与分析进一步增强了结果的可解释性。
引用
@article{arxiv.1712.07732,
title = {Enhance Visual Recognition under Adverse Conditions via Deep Networks},
author = {Ding Liu and Bowen Cheng and Zhangyang Wang and Haichao Zhang and Thomas S. Huang},
journal= {arXiv preprint arXiv:1712.07732},
year = {2019}
}