HB-net:用于遮挡多目标识别的整体爆发细胞簇集成网络
计算机视觉与模式识别
2023-10-19 v1
摘要
在图像识别领域,当视野中的物体可能相互遮挡时,会出现一类特定的多标签分类(MLC)挑战,要求同时识别被遮挡物和遮挡物。传统卷积神经网络(CNNs)可以应对这些挑战;然而,这些模型往往庞大且只能达到中等水平的准确率。利用前沿神经科学研究的见解,特别是整体爆发(HB)细胞,本文提出了一种名为 HB-net 的开创性集成网络框架。HB-net 建立在 HB 细胞簇的基础之上,旨在解决图像中同时识别多个被遮挡物体的复杂任务。引入了多种爆发细胞簇结构,并辅以证据积累机制。在包含数字和字母的多个数据集上进行了测试。结果表明,采用 HB 框架的模型相比无 HB 框架的模型识别准确率显著提升了 ( 倍,)。尽管在高噪声环境下,标准 CNNs 相比 HB-net 模型表现出略强的鲁棒性,但结合 HB 框架与 EA 机制的模型在仅含三个卷积层且参数约为 的情况下,达到了与 ResNet50 相当的准确率和韧性。本研究的结果为改进计算机视觉算法提供了有价值的见解。核心代码见 https://github.com/d-lab438/hb-net.git。
引用
@article{arxiv.2310.11834,
title = {HB-net: Holistic bursting cell cluster integrated network for occluded multi-objects recognition},
author = {Xudong Gao and Xiao Guang Gao and Jia Rong and Xiaowei Chen and Xiang Liao and Jun Chen},
journal= {arXiv preprint arXiv:2310.11834},
year = {2023}
}