Effects of Degradations on Deep Neural Network Architectures

要約

深層畳み込みニューラル ネットワーク (CNN) は、大規模な画像分類の最近の進歩に大きな影響を与えています。
最近では、カプセル (ニューロンのグループ) を使用した動的ルーティング アルゴリズムが、最先端の認識パフォーマンスを示しています。
ただし、劣化信号 (ノイズ) が存在する場合のこのようなネットワークの動作は、ほとんど調査されていません。
特定のアプリケーション シナリオで適切なモデルを選択するには、ノイズの堅牢性に向けたさまざまなネットワーク アーキテクチャに関する分析的研究が不可欠です。
このホワイト ペーパーでは、6 つの最も一般的な画像劣化モデルでの画像分類のための 6 つのディープ アーキテクチャの広範なパフォーマンス分析について説明します。
この調査では、VGG-16、VGG-19、ResNet-50、Inception-v3、MobileNet、および CapsuleNet アーキテクチャをガウス ホワイト、ガウス カラー、ごま塩、ガウス ブラー、モーション ブラー、および JPEG 圧縮ノイズ モデルで比較しました。
.

要約(オリジナル)

Deep convolutional neural networks (CNN) have massively influenced recent advances in large-scale image classification. More recently, a dynamic routing algorithm with capsules (groups of neurons) has shown state-of-the-art recognition performance. However, the behavior of such networks in the presence of a degrading signal (noise) is mostly unexplored. An analytical study on different network architectures toward noise robustness is essential for selecting the appropriate model in a specific application scenario. This paper presents an extensive performance analysis of six deep architectures for image classification on six most common image degradation models. In this study, we have compared VGG-16, VGG-19, ResNet-50, Inception-v3, MobileNet and CapsuleNet architectures on Gaussian white, Gaussian color, salt-and-pepper, Gaussian blur, motion blur and JPEG compression noise models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google