論文の概要: Networks with pixels embedding: a method to improve noise resistance in images classification

• arxiv url: http://arxiv.org/abs/2005.11679v3
• Date: Fri, 14 Jan 2022 06:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 13:23:14.736102
• Title: Networks with pixels embedding: a method to improve noise resistance in images classification
• Title（参考訳）: 画素埋め込み型ネットワーク : 画像分類におけるノイズ耐性向上の一手法
• Authors: Yang Liu, Hai-Long Tu, Chi-Chun Zhou, Yi Liu and Fu-Lin Zhang
• Abstract要約: 画素埋め込み技術を導入することにより,画像分類におけるノイズ耐性ネットワークを提供する。 我々は,手書き桁のmnistデータベース上で,PEを用いたネットワークと略される画素埋め込みを用いてネットワークをテストする。
• 参考スコア（独自算出の注目度）: 6.399560915757414
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the task of image classification, usually, the network is sensitive to noises. For example, an image of cat with noises might be misclassified as an ostrich. Conventionally, to overcome the problem of noises, one uses the technique of data augmentation, that is, to teach the network to distinguish noises by adding more images with noises in the training dataset. In this work, we provide a noise-resistance network in images classification by introducing a technique of pixel embedding. We test the network with pixel embedding, which is abbreviated as the network with PE, on the mnist database of handwritten digits. It shows that the network with PE outperforms the conventional network on images with noises. The technique of pixel embedding can be used in many tasks of image classification to improve noise resistance.
• Abstract（参考訳）: 画像分類のタスクでは、通常、ネットワークはノイズに敏感である。 例えば、ノイズのある猫の画像は、ダチョウと誤分類されることがある。 従来、ノイズの問題を克服するために、トレーニングデータセットにより多くの画像を追加してノイズを識別するようにネットワークに教えるために、データ拡張のテクニックを使用する。 本研究では,画素埋め込み手法を導入することにより,画像分類におけるノイズ耐性ネットワークを提供する。 我々は,手書き桁のmnistデータベース上で,PEを用いたネットワークと略される画素埋め込みを用いてネットワークをテストする。 PEを用いたネットワークは,ノイズのある画像上で従来のネットワークよりも優れていた。 画素埋め込み技術は、画像分類の多くのタスクでノイズ耐性を改善するために使用できる。

関連論文リスト

• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Median Pixel Difference Convolutional Network for Robust Face Recognition [8.636370632339785]
  畳み込みニューラルネットワーク(CNN)に基づく既存の顔認識アルゴリズムは、ノイズに弱い。 ノイズ劣化した画像パターンは、偽のアクティベーションを引き起こし、ノイズのある状況下での顔認識精度を著しく低下させる。 本稿では,CNNに異なるレベルのノイズに頑健性を持たせるために,MeDiNet(Men Pixel Different Convolutional Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-30T13:15:49Z)
• Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware Adversarial Training [50.018580462619425]
  我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。 PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。 より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
  論文  参考訳（メタデータ） (2022-04-06T14:09:02Z)
• Efficient Deep Image Denoising via Class Specific Convolution [24.103826414190216]
  画素ワイズ分類に基づく画像復調のための効率的なディープニューラルネットワークを提案する。 提案手法は性能を犠牲にすることなく計算コストを削減できる。
  論文  参考訳（メタデータ） (2021-03-02T10:28:15Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Image Denoising for Strong Gaussian Noises With Specialized CNNs for Different Frequency Components [4.010371060637209]
  ニューラルネットワークをデノイズ化するための機械学習アプローチでは、ノイズの多い画像からクリーンなイメージを復元するために訓練される。 本稿では,複数の特化ネットワークのトレーニングに基づく新しい構造を提案する。
  論文  参考訳（メタデータ） (2020-11-26T23:20:25Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Efficient Blind-Spot Neural Network Architecture for Image Denoising [4.513547390985147]
  本稿では,視覚障害者の目視特性を実現するためにダイレーションを用いた完全畳み込みネットワークアーキテクチャを提案する。 我々のネットワークは,従来の作業と確立したデータセットの最先端結果よりもパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2020-08-25T13:48:40Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)

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。