流式网络：实现对噪声 corrupted 图像的鲁棒分类

卷积神经网络（conv nets）在图像和视频处理的许多应用中已达到最先进的性能。最近的研究表明，conv nets在各种图像失真（如噪声、缩放、旋转等）下的识别精度方面是脆弱的。在本研究中，我们关注随机噪声失真图像的鲁棒识别精度问题。该问题的一个常见解决方案是向训练数据集中添加大量含噪图像（这可能代价高昂），或使用复杂的损失函数和去噪技术。我们引入了一种具有多流的新颖conv net架构。每个流将原始图像的某个强度切片作为输入，并且流参数被独立训练。我们将这种新颖网络称为“Streaming Net”。我们的结果表明，在噪声 corrupted 图像的识别精度上，Streaming Net优于1流conv net（用作单流）和1流宽conv net（采用与Streaming Net相同数量的滤波器），同时在几乎所有测试中产生相同或更高的无噪声图像识别精度。因此，我们引入了一种新的简单方法，在不使用数据生成或复杂训练技术的情况下提高噪声图像识别的鲁棒性。