利用循环卷积神经网络在暗光下观测
计算机视觉与模式识别
2018-11-22 v1 机器学习
机器学习
摘要
经典卷积神经网络（cCNNs）在图像物体分类方面表现优异。但是，与人类视觉对图像噪声相对鲁棒不同，cCNNs的性能随着图像质量恶化而迅速下降。在此我们提出在卷积层内使用循环连接，使网络对像素噪声（如低光照水平成像所产生的噪声）具有鲁棒性，从而在使用模拟噪声视频序列测试时显著提升其性能。我们表明，cCNNs对高信噪比（SNR）图像分类良好，但在低SNR图像（高噪声水平）测试时，很容易被在卷积层中加入循环连接的卷积神经网络（以下称gruCNNs）超越。即使添加贝叶斯最优时间积分以使cCNN能整合多帧图像，仍无法匹配gruCNN的性能。此外，我们表明在低SNR下，gruCNN（经校准后）预测的概率比cCNN预测的概率具有更高的置信度。我们建议在神经网络的早期阶段考虑循环连接，作为在不完美光照条件和噪声环境下计算机视觉的解决方案；这是夜间自动驾驶、雨雪及其他非理想情况下的实时视频流所面临的挑战。
引用
@article{arxiv.1811.08537,
title = {Seeing in the dark with recurrent convolutional neural networks},
author = {Till S. Hartmann},
journal= {arXiv preprint arXiv:1811.08537},
year = {2018}
}
备注
12 pages (with appendix), 6 figure (main text), 3 supplementary figures