图像质量如何影响细粒度图像分类中的深度神经网络
计算机视觉与模式识别
2024-05-10 v1
摘要
在本文中，我们提出了一种无参考图像质量评估（NRIQA）引导的截断点选择（CPS）策略，以增强细粒度分类系统的性能。现有 NRIQA 方法对同一图像给出的评分可能存在差异，且并未如预期般独立于自然图像增强，这削弱了它们与细粒度图像分类的联系和可解释性。以三种最常采用的图像增强配置——裁剪、旋转和模糊——为切入点，我们通过综合考虑模型预测的置信度和多种 NRIQA 方法下图像质量的密度分布，制定了一个两步机制，用于从给定图像数据集中选择最具判别力的子集。具体而言，这些方法产生的截断点通过多数投票进行聚合，以指导图像子集选择过程。通过将基于高质量图像训练的模型与基于高、低质量图像组合训练的模型进行比较，证实了该机制的有效性和效率：在商业产品数据集上，四种深度神经分类器的平均准确率提升了 0.7% 至 4.2%。在消融研究中使用 ResNet34 时，所有选定的高质量图像能够与 70% 的低质量图像协同工作，仅牺牲 1.3% 的分类精度，这证明了该机制的鲁棒性。
引用
@article{arxiv.2405.05742,
title = {How Quality Affects Deep Neural Networks in Fine-Grained Image Classification},
author = {Joseph Smith and Zheming Zuo and Jonathan Stonehouse and Boguslaw Obara},
journal= {arXiv preprint arXiv:2405.05742},
year = {2024}
}
备注
VISAPP 2024