考察模糊对卷积神经网络识别的影响
计算机视觉与模式识别
2017-05-31 v2
摘要
许多语义视觉任务的最先进算法都基于卷积神经网络的使用。这些网络通常在无伪影高质量图像的大型标注数据集上训练和评估。在本文中，我们研究了一种在自然捕获环境中相当常见的此类伪影的影响：光学模糊。我们表明，仅在高质量图像上训练的标准网络模型，当应用于因散焦、主体或相机运动而模糊退化的图像时，性能会显著下降。我们研究了这种退化在多大程度上归因于训练与输入图像统计之间的不匹配。具体而言，我们发现用添加了模糊图像的训练集微调预训练模型，可使其恢复大部分损失的精度。我们还表明，不同程度和类型的模糊之间存在一定程度的泛化，这意味着当输入中模糊的性质未知时，单一网络模型可稳健地用于识别。我们发现这种鲁棒性源于这些模型在其隐藏层中学习生成模糊不变表示。我们的发现为开发能够在受模糊影响的真实世界图像上可靠运行的视觉系统提供了有用的见解。
引用
@article{arxiv.1611.05760,
title = {Examining the Impact of Blur on Recognition by Convolutional Networks},
author = {Igor Vasiljevic and Ayan Chakrabarti and Gregory Shakhnarovich},
journal= {arXiv preprint arXiv:1611.05760},
year = {2017}
}