理解深度神经网络计数图像中连通分支的能力
计算机视觉与模式识别
2021-01-06 v1 人工智能
机器学习
摘要
人类可以通过目测快速计数，但随着物体数量增加速度明显变慢。先前的研究表明，训练好的深度神经网络（DNN）检测器计数物体所需的时间随物体数量缓慢增加。这一现象暗示了 DNN 的目测能力，且与人类不同，它对大数量同样有效。许多现有研究已成功将 DNN 应用于物体计数，但极少有研究探讨 DNN 的目测能力及其解释。本文中，我们发现 DNN 并不具备通用计数连通分支的能力。我们提供了实验来支持我们的结论，并给出理解这些实验结果与现象的解释。我们提出了三个 ML 可学习的特征来验证诸如 DNN 等 ML 模型的可学习问题，并解释为何 DNN 能处理特定计数问题却无法通用地计数连通分支。
引用
@article{arxiv.2101.01386,
title = {Understanding the Ability of Deep Neural Networks to Count Connected Components in Images},
author = {Shuyue Guan and Murray Loew},
journal= {arXiv preprint arXiv:2101.01386},
year = {2021}
}
备注
7 pages, 12 figures. Accepted by IEEE AIPR 2020 (Oral)