使用神经激活模式匹配损失的扭曲图像分类
Satoshi Suzuki1, Shoichiro Takeda2, Ryuichi Tanida2
1NTT Computer and Data Science Laboratories, NTT Corporation, 1-1 Hikarinooka, Yokosuka, 2390847, Kanagawa, Japan.
概括
这项研究引入了一种新的神经激活模式匹配 (NAPM) 损失,以提高对扭曲图像分类的深度神经网络 (DNN) 精度. NAPM损失简化了决策边界,使得更高效的优化和更高的精度在杂或模糊的图像.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 在清洁图像上训练的深度神经网络 (DNN) 与噪音或模糊等扭曲输入作斗争,导致精度降低.
- 现有的方法在干净和扭曲的图像上重新训练DNN,但通常会导致过于复杂的决策边界,阻碍优化.
- 一个复杂的决策边界限制了DNN在分类不同质量的图像中的效率.
研究的目的:
- 为改进扭曲图像分类开发一种新的损失函数.
- 为了简化DNN中的决策边界,以实现更高效的优化.
- 在分类扭曲和未扭曲图像时提高DNN的准确性.
主要方法:
- 引入了一个"神经激活模式匹配 (NAPM) 损失"功能.
- 利用了 DNN 决策边界的断片线性.
- 在扭曲和未扭曲图像之间匹配的神经激活模式,使用sigmoid交叉来限制分类.
主要成果:
- NAPM损失迫使DNN使用相同的决策边界段对扭曲和未扭曲图像进行分类.
- 这种方法通过防止决策边界过度复杂化来加速优化.
- 实验结果显示,在所有测试条件下,与以前的方法相比,准确性增加.
结论:
- NAPM损失提供了一种简单而有效的方法来分类扭曲的图像.
- 它通过确保更规范和高效的决策边界来提高DNN的性能.
- 这种技术提高了面临图像退化问题的图像分类系统的稳定性和准确性.
