嘈杂自然环境中的细粒度识别：卷积神经网络方法的敏感性分析
计算机视觉与模式识别
2016-10-24 v1
摘要
在本文中，我们研究了细粒度识别领域中 CNN 输出对图像变换和噪声的敏感性。具体而言，我们回答了以下问题：(1) CNN 对自然图像采集过程中遇到的图像变换有多敏感？(2) 我们如何预测 CNN 的敏感性？(3) 我们能否提高 CNN 对图像退化的鲁棒性？为了回答第一个问题，我们对常用 CNN 架构（AlexNet、VGG19、GoogleNet）在各种类型的图像退化下进行了广泛的经验敏感性分析。这使得能够预测 CNN 在由质量较低的图像或从不同视角拍摄的图像组成的新领域中的性能。我们还展示了如何针对单张图像预测 CNN 输出的敏感性。此外，我们证明在测试期间进行输入层 dropout 或预滤波仅在退化程度较高时才会降低 CNN 的敏感性。针对细粒度识别任务的实验表明，VGG19 对严重的图像退化比 AlexNet 和 GoogleNet 更具鲁棒性。然而，即使是微小的强度噪声也会导致 CNN 性能发生剧烈变化，即使对于 VGG19 也是如此。
引用
@article{arxiv.1610.06756,
title = {Fine-grained Recognition in the Noisy Wild: Sensitivity Analysis of Convolutional Neural Networks Approaches},
author = {Erik Rodner and Marcel Simon and Robert B. Fisher and Joachim Denzler},
journal= {arXiv preprint arXiv:1610.06756},
year = {2016}
}
备注
BMVC 2016 Paper