用于准确且鲁棒图像分类的 On-Off 中心环绕感受野
计算机视觉与模式识别
2021-06-15 v1 人工智能
机器学习
神经与进化计算
摘要
对光照条件变化的鲁棒性是任意深度视觉系统的关键目标。为此，本文通过两个在脊椎动物视觉处理系统中普遍存在的残差分量扩展卷积神经网络感受野：中心兴奋、周边抑制的 on-center 与 off-center 通路，简称 OOCS。on-center 通路在其中心存在光刺激但周边不存在时兴奋，而 off-center 通路在其中心不存在光刺激但周边不存在时兴奋。我们通过高斯差分设计 OOCS 通路，其方差由感受野尺寸解析计算得出。OOCS 通路对光刺激的反应互为补充，以此确保强大的边缘检测能力，从而在极具挑战的光照条件下实现准确且鲁棒的推理。我们提供了广泛的实证证据，表明配备 OOCS 边缘表示的网络相较标准深度模型在精度与光照鲁棒性上均获提升。
引用
@article{arxiv.2106.07091,
title = {On-Off Center-Surround Receptive Fields for Accurate and Robust Image Classification},
author = {Zahra Babaiee and Ramin Hasani and Mathias Lechner and Daniela Rus and Radu Grosu},
journal= {arXiv preprint arXiv:2106.07091},
year = {2021}
}
备注
21 Pages. Accepted for publication in the proceedings of the 38th International Conference on Machine Learning (ICML) 2021