保真度估计借助预训练网络改进含噪图像分类
计算机视觉与模式识别
2021-10-06 v2 图像与视频处理
摘要
图像分类在使用深度学习后取得了显著进步。这主要归功于卷积神经网络（CNNs），其能够从大型数据集中学习丰富的特征提取器。然而，大多数深度学习分类方法在干净图像上训练，在处理含噪图像时不够鲁棒，即便采用了复原预处理步骤。尽管已有新方法解决该问题，但它们依赖于修改后的特征提取器，因此必须重新训练。我们转而提出一种可应用于预训练（pretrained）分类器的方法。我们的方法利用保真度图估计，将其融合进特征提取器的内部表示中，从而引导网络的注意力并使其对含噪数据更具鲁棒性。我们以显著幅度提升了含噪图像分类（NIC）结果，尤其在噪声水平较高时，并接近完全重新训练的方法。此外，作为概念验证，我们表明当使用我们的预言保真度图时，即便在含噪或复原图像上训练，我们也优于完全重新训练的方法。
引用
@article{arxiv.2106.00673,
title = {Fidelity Estimation Improves Noisy-Image Classification With Pretrained Networks},
author = {Xiaoyu Lin and Deblina Bhattacharjee and Majed El Helou and Sabine Süsstrunk},
journal= {arXiv preprint arXiv:2106.00673},
year = {2021}
}
备注
Published in IEEE Signal Processing Letters