卷积神经网络在高频与低频信息下的性能研究
计算机视觉与模式识别
2020-11-13 v1 机器学习
摘要
卷积神经网络（CNNs）近年来在不同问题上展现出极具前景的性能，包括目标识别、人脸识别、医学图像分析等。然而，通常训练好的 CNN 模型是在与训练集非常相似的测试集上进行测试的。CNN 模型的泛化性与鲁棒性是其能处理未见数据的重要方面。在本文中，我们研究了 CNN 模型在图像高频与低频信息上的性能。我们观察到训练好的 CNN 无法在高频与低频图像上泛化。为使 CNN 对高频与低频图像具有鲁棒性，我们提出了基于随机滤波的数据增强方法用于训练。所提出的基于随机滤波的数据增强方法在高频与低频泛化及鲁棒性方面取得了令人满意的性能提升。实验使用 ResNet50 模型在 CIFAR-10 数据集上以及 ResNet101 模型在 Tiny-ImageNet 数据集上进行。
引用
@article{arxiv.2011.06496,
title = {On the Performance of Convolutional Neural Networks under High and Low Frequency Information},
author = {Roshan Reddy Yedla and Shiv Ram Dubey},
journal= {arXiv preprint arXiv:2011.06496},
year = {2020}
}
备注
Accepted in Fifth IAPR International Conference on Computer Vision and Image Processing (CVIP), 2020