利用频率选择性网格到栅格重采样联合重采样与重建受损图像以用于图像分类
图像与视频处理
2023-11-28 v3
摘要
近年来,神经网络已成为图像分类的标准技术。它们在训练阶段从大量图像中提取图像特征。在随后的测试阶段,将网络应用于其训练所针对的问题并衡量其性能。本文聚焦于图像分类。由神经网络解读的视觉数据量随其使用增加而增长。多数情况下,视觉数据从应用端传输至进行解读的中央服务器。若传输受扰, transmitted 图像会出现丢失。这些丢失须通过后处理重建。本文中,我们采用广泛使用的双线性与双三次插值,以及高质量重建方法频率选择性重建(FSR)来重建受损图像。但我们提出使用频率选择性网格到栅格重采样(FSMR)对受损图像进行联合重建与尺寸调整。考察了 EfficientNetB0、DenseNet121、DenseNet201、ResNet50 与 ResNet152 在分类准确率方面的性能。结果表明,对多数网络,采用 FSMR 的重建带来最高分类准确率。对 DenseNet121 最高可实现平均 6.7 个百分点的提升。
引用
@article{arxiv.2210.15444,
title = {Jointly Resampling and Reconstructing Corrupted Images for Image Classification using Frequency-Selective Mesh-to-Grid Resampling},
author = {Viktoria Heimann and Andreas Spruck and André Kaup},
journal= {arXiv preprint arXiv:2210.15444},
year = {2023}
}
备注
IEEE 24th International Workshop on Multimedia Signal Processing 2022