論文の概要: Wavelet Integrated CNNs for Noise-Robust Image Classification

• arxiv url: http://arxiv.org/abs/2005.03337v2
• Date: Tue, 14 Jul 2020 07:51:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 23:33:33.005238
• Title: Wavelet Integrated CNNs for Noise-Robust Image Classification
• Title（参考訳）: ウェーブレット統合CNNによるノイズ・ロバスト画像分類
• Authors: Qiufu Li, Linlin Shen, Sheng Guo, Zhihui Lai
• Abstract要約: 我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。 VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
• 参考スコア（独自算出の注目度）: 51.18193090255933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) are generally prone to noise interruptions, i.e., small image noise can cause drastic changes in the output. To suppress the noise effect to the final predication, we enhance CNNs by replacing max-pooling, strided-convolution, and average-pooling with Discrete Wavelet Transform (DWT). We present general DWT and Inverse DWT (IDWT) layers applicable to various wavelets like Haar, Daubechies, and Cohen, etc., and design wavelet integrated CNNs (WaveCNets) using these layers for image classification. In WaveCNets, feature maps are decomposed into the low-frequency and high-frequency components during the down-sampling. The low-frequency component stores main information including the basic object structures, which is transmitted into the subsequent layers to extract robust high-level features. The high-frequency components, containing most of the data noise, are dropped during inference to improve the noise-robustness of the WaveCNets. Our experimental results on ImageNet and ImageNet-C (the noisy version of ImageNet) show that WaveCNets, the wavelet integrated versions of VGG, ResNets, and DenseNet, achieve higher accuracy and better noise-robustness than their vanilla versions.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、一般的にノイズの中断、すなわち小さな画像ノイズが出力に劇的な変化を引き起こす。 最終述語に対するノイズ効果を抑制するために,max-pooling, strided-convolution, average-poolingを離散ウェーブレット変換(dwt)に置き換え,cnnの強化を行う。 本稿では,haar,daubechies,cohenなど様々なウェーブレットに適用可能な一般dwtおよび逆dwt(idwt)層と,これらの層を画像分類に用いるウェーブレット統合cnn(wavecnets)の設計について述べる。 ウェーブネットでは、ダウンサンプリング中に特徴マップを低周波および高周波成分に分解する。 低周波成分は、基本オブジェクト構造を含む主情報を格納し、後続の層に送信してロバストな高レベル特徴を抽出する。 データノイズのほとんどを含む高周波成分を推論中に落とし、ウェーブネットのノイズロバスト性を改善する。 imagenet と imagenet-c (imagenet のノイズバージョン) による実験の結果,wavecnets は vgg, resnet, densenet の統合バージョンであり,バニラ版よりも高い精度とノイズロバスト性を実現していることがわかった。

関連論文リスト

• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Wavelet-Attention CNN for Image Classification [0.0]
  画像分類のためのWavelet-Attention Convolutional Neural Network (WA-CNN)を提案する。 WA-CNNは、基本オブジェクトの構造を保存するために、特徴マップを低周波および高周波のコンポーネントに分解する。 提案するWA-CNNは,他のネットワークと比較して,分類精度の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2022-01-23T14:00:33Z)
• Exploring Inter-frequency Guidance of Image for Lightweight Gaussian Denoising [1.52292571922932]
  本稿では,周波数帯域を低域から高域に漸進的に洗練するために,IGNetと呼ばれる新しいネットワークアーキテクチャを提案する。 この設計では、より周波数間先行と情報を利用するため、モデルサイズは軽量化でき、競争結果も維持できる。
  論文  参考訳（メタデータ） (2021-12-22T10:35:53Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• WaveCNet: Wavelet Integrated CNNs to Suppress Aliasing Effect for Noise-Robust Image Classification [41.94702591058716]
  畳み込みニューラルネットワーク(CNN)はノイズを遮断する傾向がある。 我々は、共通のダウンサンプリングを離散ウェーブレット変換(DWT)に置き換えることで、CNNとウェーブレットを統合することを試みる。 我々はまた、ImageNet、ImageNet-C、および6つの敵攻撃のノイズバージョンでWaveCNetsの性能を検証した。
  論文  参考訳（メタデータ） (2021-07-28T12:59:15Z)
• Progressive Training of Multi-level Wavelet Residual Networks for Image Denoising [80.10533234415237]
  本稿では,マルチレベルウェーブレット残差ネットワーク(MWRN)アーキテクチャと,画像復調性能向上のためのプログレッシブトレーニング手法を提案する。 人工ノイズ画像と実世界のノイズ画像の両方で実験したところ、PT-MWRNは最先端のノイズ評価法に対して良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-10-23T14:14:00Z)
• Wavelet Channel Attention Module with a Fusion Network for Single Image Deraining [46.62290347397139]
  雨が画像の視界を著しく悪化させるため、単一画像のデライン化は重要な問題である。 融合ネットワークを用いたウェーブレットチャネルアテンションモジュールと呼ばれる新しい畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-17T18:06:13Z)
• Flexible Image Denoising with Multi-layer Conditional Feature Modulation [56.018132592622706]
  条件付き特徴変調(CFM)モジュールを備えたU-Netバックボーンを備えることにより,新しいフレキシブル画像符号化ネットワーク(CFMNet)を提案する。 CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。 我々のCFMNetは、フレキシブルな非盲検のためのノイズレベル情報を利用するのに有効であり、定量的メトリクスと視覚的品質の両方の観点から、既存の深部画像復調法に対して好適に機能する。
  論文  参考訳（メタデータ） (2020-06-24T06:00:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。