利用频率选择性网格重采样提高神经网络的精度
计算机视觉与模式识别
2022-09-30 v1 图像与视频处理
摘要
神经网络被广泛用于几乎所有识别图像内容的任务。尽管在高效网络架构、优化器和训练策略的研究上已投入大量努力，图像插值对神经网络性能的影响却未被充分研究。此外，研究表明神经网络常对输入图像的微小变化敏感，导致其性能急剧下降。因此，本文中我们提出将关键点无关的频选网格重采样（FSMR）用于神经网络输入数据的处理。这种基于模型的插值方法已显示出在 PSNR 上优于常见插值方法的能力。通过广泛的实验评估，我们表明根据网络架构与分类任务的不同，在训练期间应用 FSMR 有助于学习过程。此外，我们表明在应用阶段使用 FSMR 也是有益的。对于 ResNet50 与 Oxflower17 数据集，分类精度可提升多达 4.31 个百分点。
引用
@article{arxiv.2209.14431,
title = {Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling},
author = {Andreas Spruck and Viktoria Heimann and André Kaup},
journal= {arXiv preprint arXiv:2209.14431},
year = {2022}
}
备注
accepted for IEEE International Symposium on Circuits and Systems (ISCAS). May 2022