神经网络泛化：相机参数的影响
计算机视觉与模式识别
2019-12-10 v1
摘要
我们量化了一个经训练用于识别汽车的卷积神经网络（CNN）的泛化能力。首先，我们进行了一系列实验，使用一个图像数据集（合成图像或相机拍摄图像）训练网络，然后在另一个不同图像数据集上测试。我们表明，不同相机所获取图像之间的泛化能力，大致等同于相机图像与光线追踪多光谱合成图像之间的泛化能力。其次，我们使用 ISETAuto（一个可生成相机图像光线追踪多光谱仿真的软原型工具）来模拟具有一系列像素尺寸、彩色滤光片、采集与采集后处理的传感器图像。这些实验揭示了特定相机参数与图像处理操作的变化如何影响 CNN 泛化。我们发现：（a）像素尺寸影响泛化；（b）去马赛克在浅位深（8-bit）下显著影响性能与泛化，但在更深位深（10-bit）下则不然；（c）对于 10-bit 像素，网络使用原始（未去马赛克）传感器数据表现良好。
引用
@article{arxiv.1912.03604,
title = {Neural Network Generalization: The impact of camera parameters},
author = {Zhenyi Liu and Trisha Lian and Joyce Farrell and Brian Wandell},
journal= {arXiv preprint arXiv:1912.03604},
year = {2019}
}
备注
11 pages, 11 figures, in preparation for submission