通过稀疏化与下采样网络提升对畸变的鲁棒性
计算机视觉与模式识别
2020-06-23 v1
摘要
已有研究表明，完美训练的网络在面临畸变图像时性能会急剧下降。流式网络（STNet）是一种新颖的架构，能够在仅以无畸变图像训练的情况下，对畸变图像进行鲁棒分类。其畸变鲁棒性通过稀疏输入以及具有解耦权重的隔离并行流实现。近期结果证明 STNet 对 20 种噪声与畸变具有鲁棒性。STNet 在低光照图像分类上表现出最先进的性能，同时其规模远小于其他网络。本文中，我们通过使用流行网络（如 VGG16、ResNet50 和 MobileNetV2）的缩放版本（每层滤波器数量缩减为 1/n）作为并行流来构建 STNet。这些新型 STNet 在多个数据集上进行了测试。我们的结果表明，更高效（更少 FLOPS）的新型 STNet 相较于原始网络具有更高或相等的准确率。考虑到用于测试的多样数据集与网络，我们得出结论：一种新型 STNet 是畸变图像鲁棒分类的高效工具。
引用
@article{arxiv.2006.11389,
title = {Sparsifying and Down-scaling Networks to Increase Robustness to Distortions},
author = {Sergey Tarasenko},
journal= {arXiv preprint arXiv:2006.11389},
year = {2020}
}
备注
6 pages, 6 figures