論文の概要: WaveCNet: Wavelet Integrated CNNs to Suppress Aliasing Effect for Noise-Robust Image Classification

• arxiv url: http://arxiv.org/abs/2107.13335v1
• Date: Wed, 28 Jul 2021 12:59:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 18:21:47.501385
• Title: WaveCNet: Wavelet Integrated CNNs to Suppress Aliasing Effect for Noise-Robust Image Classification
• Title（参考訳）: WaveCNet:ウェーブレット統合CNNによるノイズ・ロバスト画像分類におけるエイリアス効果の抑制
• Authors: Qiufu Li, Linlin Shen, Sheng Guo, Zhihui Lai
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.94702591058716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though widely used in image classification, convolutional neural networks (CNNs) are prone to noise interruptions, i.e. the CNN output can be drastically changed by small image noise. To improve the noise robustness, we try to integrate CNNs with wavelet by replacing the common down-sampling (max-pooling, strided-convolution, and average pooling) with discrete wavelet transform (DWT). We firstly propose general DWT and inverse DWT (IDWT) layers applicable to various orthogonal and biorthogonal discrete wavelets like Haar, Daubechies, and Cohen, etc., and then design wavelet integrated CNNs (WaveCNets) by integrating DWT into the commonly used CNNs (VGG, ResNets, and DenseNet). During the down-sampling, WaveCNets apply DWT to decompose the feature maps into the low-frequency and high-frequency components. Containing the main information including the basic object structures, the low-frequency component is transmitted into the following layers to generate robust high-level features. The high-frequency components are dropped to remove most of the data noises. The experimental results show that %wavelet accelerates the CNN training, and WaveCNets achieve higher accuracy on ImageNet than various vanilla CNNs. We have also tested the performance of WaveCNets on the noisy version of ImageNet, ImageNet-C and six adversarial attacks, the results suggest that the proposed DWT/IDWT layers could provide better noise-robustness and adversarial robustness. When applying WaveCNets as backbones, the performance of object detectors (i.e., faster R-CNN and RetinaNet) on COCO detection dataset are consistently improved. We believe that suppression of aliasing effect, i.e. separation of low frequency and high frequency information, is the main advantages of our approach. The code of our DWT/IDWT layer and different WaveCNets are available at https://github.com/CVI-SZU/WaveCNet.
• Abstract（参考訳）: 画像分類では広く使われているが、畳み込みニューラルネットワーク(CNN)はノイズの中断がちである。 CNN出力は、小さな画像ノイズによって劇的に変化する。 雑音のロバスト性を改善するために,一般的なダウンサンプリング(最大プール,ストレート畳み込み,平均プール)を離散ウェーブレット変換(dwt)に置き換え,cnnをウェーブレットに統合する。 まず,DWTを一般的なCNN(VGG,ResNets,DenseNets)に統合し,Har,Daubechies,Cohenなどの直交および直交の離散ウェーブレットに適用可能な一般DWTおよび逆DWT(IDWT)層を提案する。 ダウンサンプリング中、WaveCNetはDWTを適用して、機能マップを低周波および高周波コンポーネントに分解する。 基本オブジェクト構造を含む主情報を含む低周波成分は以下の層に送信され、堅牢な高レベル特徴を生成する。 高周波コンポーネントは、データノイズの大部分を取り除くためにドロップされる。 実験の結果、%waveletはCNNトレーニングを加速し、WaveCNetは各種のバニラCNNよりもImageNet上で高い精度を達成することがわかった。 また,imagenet,imagenet-c,および6つの敵対的攻撃におけるwavecnetの性能を検証した結果,提案するdwt/idwt層がより優れたノイズロバスト性と逆ロバスト性をもたらす可能性が示唆された。 バックボーンとしてWaveCNetを適用する場合、COCO検出データセット上でのオブジェクト検出器(高速なR-CNNとRetinaNet)の性能は一貫して改善される。 我々はエイリアス効果の抑制、すなわち 低周波情報と高周波情報の分離が 我々のアプローチの主な利点です DWT/IDWT層と異なるWaveCNetのコードはhttps://github.com/CVI-SZU/WaveCNet.orgで公開されている。

関連論文リスト

• A cross Transformer for image denoising [83.68175077524111]
  直列ブロック(SB)、並列ブロック(PB)、残留ブロック(RB)を備えたクロストランスフォーマー(CTNet)を提案する。 CTNetは、実画像や合成画像のデノナイジングにおいて、一般的なデノナイジング法よりも優れている。
  論文  参考訳（メタデータ） (2023-10-16T13:53:19Z)
• 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)
• Synthetic Aperture Radar Image Change Detection via Layer Attention-Based Noise-Tolerant Network [36.860069663770226]
  レイヤアテンションに基づく耐雑音性ネットワークLANTNetを提案する。 特に、異なる畳み込み層の機能を適応的に重み付けするレイヤーアテンションモジュールを設計する。 3つのSARデータセットの実験結果から,提案したLANTNetは,複数の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-09T01:04:39Z)
• 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)
• 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)
• 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 Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
  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。
  論文  参考訳（メタデータ） (2020-05-07T09:10:41Z)

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。