提升卷积神经网络在质量退化数据集上的性能
计算机视觉与模式识别
2017-10-19 v1
摘要
尽管深度神经网络具有极大取代传统手工滤波器的吸引力，它们仍受制于一些孤立情况，仅通过卷积滤波器的训练无法妥善处理。包括真实世界噪声、模糊或其他质量退化在内的异常因素，会破坏神经网络的输出。这些意外问题可产生关键并发症，令人惊讶的是，关于深度神经网络模型中噪声影响的研究极少。因此，我们针对噪声在图像分类中的影响进行了详尽研究，并提出了一种双通道模型的通用架构来处理质量退化的输入图像。我们将提出的双通道模型与简单单模型比较，表明其在各类质量退化输入数据集上提升了神经网络的整体性能。
引用
@article{arxiv.1710.06805,
title = {Enhancing the Performance of Convolutional Neural Networks on Quality Degraded Datasets},
author = {Jonghwa Yim and Kyung-Ah Sohn},
journal= {arXiv preprint arXiv:1710.06805},
year = {2017}
}
备注
The International Conference on Digital Image Computing: Techniques and Applications (DICTA), 2017