論文の概要: Learning degraded image classification with restoration data fidelity
- arxiv url: http://arxiv.org/abs/2101.09606v1
- Date: Sat, 23 Jan 2021 23:47:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 10:43:51.929920
- Title: Learning degraded image classification with restoration data fidelity
- Title（参考訳）: 復元データ忠実度を用いた学習劣化画像分類
- Authors: Xiaoyu Lin
- Abstract要約: 広く使用されている4つの分類ネットワークにおける分解型およびレベルの影響について検討する。
本稿では,事前学習したネットワークで得られた画像特徴を忠実度マップを用いて校正する手法を提案する。
その結果,提案手法は画像劣化による影響を緩和する有望な解であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based methods especially with convolutional neural networks (CNN)
are continuously showing superior performance in computer vision applications,
ranging from image classification to restoration. For image classification,
most existing works focus on very clean images such as images in Caltech-256
and ImageNet datasets. However, in most realistic scenarios, the acquired
images may suffer from degradation. One important and interesting problem is to
combine image classification and restoration tasks to improve the performance
of CNN-based classification networks on degraded images. In this report, we
explore the influence of degradation types and levels on four widely-used
classification networks, and the use of a restoration network to eliminate the
degradation's influence. We also propose a novel method leveraging a fidelity
map to calibrate the image features obtained by pre-trained classification
networks. We empirically demonstrate that our proposed method consistently
outperforms the pre-trained networks under all degradation levels and types
with additive white Gaussian noise (AWGN), and it even outperforms the
re-trained networks for degraded images under low degradation levels. We also
show that the proposed method is a model-agnostic approach that benefits
different classification networks. Our results reveal that the proposed method
is a promising solution to mitigate the effect caused by image degradation.
- Abstract（参考訳）: 特に畳み込みニューラルネットワーク(cnn)を用いた学習ベースの手法は、画像分類から復元まで、コンピュータビジョンアプリケーションにおいて優れた性能を示している。
画像分類では、caltech-256やimagenetデータセットのような非常にクリーンな画像に焦点を当てている。
しかし、最も現実的なシナリオでは、取得した画像が劣化する可能性がある。
画像分類と復元タスクを組み合わせることで、劣化画像上のCNNに基づく分類ネットワークの性能を向上させることが重要かつ興味深い問題である。
本報告では,4つの分類ネットワークにおける劣化タイプとレベルの影響と,劣化の影響を解消するための復元ネットワークの利用について検討する。
また,事前学習した分類ネットワークで得られた画像の特徴を精度マップを用いて校正する手法を提案する。
提案手法は, 付加的な白色ガウス雑音(AWGN)を伴い, 劣化レベルが低く, 劣化レベルが低い場合には, 劣化した画像に対する再学習ネットワークよりも優れた性能を示す。
また,提案手法は分類網の異なるモデルに依存しない手法であることを示す。
その結果,提案手法は画像劣化による影響を緩和する有望な解であることがわかった。
関連論文リスト
- Image edge enhancement for effective image classification [7.470763273994321]
ニューラルネットワークの精度とトレーニング速度を両立させるエッジ拡張に基づく手法を提案する。
我々のアプローチは、利用可能なデータセット内の画像からエッジなどの高周波特徴を抽出し、元の画像と融合させることである。
論文 参考訳（メタデータ） (2024-01-13T10:01:34Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Variational Deep Image Restoration [20.195082841065947]
本稿では,画像復元のための新しい変分推論フレームワークと,提案フレームワークで記述した復元問題を解決する畳み込みニューラルネットワーク(CNN)構造を提案する。
具体的には,ガウス雑音の除去,実環境雑音の低減,ブラインド画像の超解像,JPEG圧縮アーティファクトの低減について,最先端の性能を提供する。
論文 参考訳（メタデータ） (2022-07-03T16:32:15Z) - A novel adversarial learning strategy for medical image classification [9.253330143870427]
補助畳み込みニューラルネットワーク(AuxCNN)は、中間層のトレーニングを容易にするために、従来の分類ネットワーク上に採用されている。
本研究では,医用画像分類のための深層ニューラルネットワークのトレーニングを支援するための,対角学習に基づくAuxCNNを提案する。
論文 参考訳（メタデータ） (2022-06-23T06:57:17Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-16T11:56:28Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Fidelity Estimation Improves Noisy-Image Classification with Pretrained
Networks [12.814135905559992]
本稿では,事前学習した分類器に適用可能な手法を提案する。
提案手法では,特徴抽出器の内部表現に融合した忠実度マップの推定値を利用する。
オラクルの忠実度マップを用いた場合, ノイズや復元画像のトレーニングにおいて, 完全に再トレーニングされた手法よりも優れていた。
論文 参考訳（メタデータ） (2021-06-01T17:58:32Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - Learning CNN filters from user-drawn image markers for coconut-tree
image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。
本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。
バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文 参考訳（メタデータ） (2020-08-08T15:50:23Z) - Classifying degraded images over various levels of degradation [14.9119546783196]
本稿では,復元ネットワークとアンサンブル学習を用いて劣化画像の分類を行う畳み込みニューラルネットワークを提案する。
提案するネットワークは, 劣化の度合いに応じて, 劣化画像の分類をうまく行うことができることを示す。
論文 参考訳（メタデータ） (2020-06-15T05:43:07Z)
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。