LR-Net：一种用于低分辨率图像分类的基于块的卷积神经网络
计算机视觉与模式识别
2023-05-30 v5
摘要
基于CNN的架构在图像分类的特征学习与提取上的成功使其当今极为流行，但当我们将最先进模型应用于分类含噪低质图像时，图像分类任务变得更具挑战。由于低分辨率及缺乏有意义的全局特征，模型仍难以从此类图像提取有意义特征。此外，高分辨率图像需要更多层训练，意味着耗费更多时间与算力。我们的方法也解决了前述深度神经网络随层加深而出现的梯度消失问题。为解决所有这些议题，我们开发了一种新颖的图像分类架构，由旨在从模糊含噪低分辨率图像中学习低级与全局特征的块组成。我们的块设计深受残差连接与Inception模块的启发，以提升性能并缩减参数量。我们还使用MNIST系列数据集评估工作，特别侧重Oracle-MNIST数据集——因其低质含噪图像而最难分类。我们进行了深入测试，表明所提架构比现有尖端卷积神经网络更快且更准。进而，凭借模型的独特性质，其可用更少参数产出更优结果。
引用
@article{arxiv.2207.09531,
title = {LR-Net: A Block-based Convolutional Neural Network for Low-Resolution Image Classification},
author = {Ashkan Ganj and Mohsen Ebadpour and Mahdi Darvish and Hamid Bahador},
journal= {arXiv preprint arXiv:2207.09531},
year = {2023}
}
备注
Accepted on Iranian Journal of Science and Technology, Transactions of Electrical Engineering. Containing 7 pages, 5 figures and 2 tables