| 郭锐* **,郝优* **,许溟***,贾丽****,李华* **.具有旋转运动模糊不变性的卷积神经网络: RMBI-Net[J].高技术通讯(中文),2022,32(6):576~586 |
| 具有旋转运动模糊不变性的卷积神经网络: RMBI-Net |
| RMBI-Net: convolutional neural networks with rotational motion blur invariants |
| |
| DOI：10.3772/j.issn.1002-0470.2022.06.003 |
| 中文关键词: 卷积神经网络(CNN)； 旋转运动模糊； 目标分类； Gaussian Hermite（GH）矩； 不变量 |
| 英文关键词: convolutional neural network(CNN), rotational motion blur, object classification, Gaussian Hermite (GH) moment, invariant |
| 基金项目: |
| 作者 | 单位 | | 郭锐* ** | (*中国科学院计算技术研究所智能信息处理重点实验室北京 100190)
(**中国科学院大学北京 100049)
(***92728部队北京 100036)
(****91977部队北京 100036) | | 郝优* ** | (*中国科学院计算技术研究所智能信息处理重点实验室北京 100190)
(**中国科学院大学北京 100049)
(***92728部队北京 100036)
(****91977部队北京 100036) | | 许溟*** | (*中国科学院计算技术研究所智能信息处理重点实验室北京 100190)
(**中国科学院大学北京 100049)
(***92728部队北京 100036)
(****91977部队北京 100036) | | 贾丽**** | (*中国科学院计算技术研究所智能信息处理重点实验室北京 100190)
(**中国科学院大学北京 100049)
(***92728部队北京 100036)
(****91977部队北京 100036) | | 李华* ** | (*中国科学院计算技术研究所智能信息处理重点实验室北京 100190)
(**中国科学院大学北京 100049)
(***92728部队北京 100036)
(****91977部队北京 100036) |
|
| 摘要点击次数: 872 |
| 全文下载次数: 657 |
| 中文摘要: |
| 针对高速旋转的相机拍摄图像产生的旋转运动模糊带来的目标分类较为困难的问题，本文主要研究手工特征与卷积神经网络(CNN)的结合，在网络结构底层赋予卷积神经网络不变性，提升网络在分类任务中的准确率。本文基于Gaussian Hermite（GH）矩旋转运动模糊不变量（RMBGHMI），通过计算卷积神经网络隐藏层特征图上的RMBGHMI来实现将旋转运动模糊不变性引入到卷积神经网络中，使网络本身具有一定的旋转运动模糊不变性，并使网络可从受到严重噪声干扰的旋转运动模糊的图像中直接进行目标分类。实验结果表明，在旋转运动模糊后的MNIST数据集上，相对于经典卷积神经网络，本文方法可以将图像分类准确率提升30%左右；在旋转运动模糊后的CIFAR 10数据集上，图像分类准确率可以提升4%~16%。 |
| 英文摘要: |
| Aiming at the problem of object classification caused by the rotational motion blur of the image captured by the high speed rotating camera, the combination of handcraft features and convolutional neural network (CNN) is studied to introduce the invariance into CNN and improve the accuracy of networks in classification tasks. In this paper, based on rotational motion blur Gaussian Hermit(GH) moments invariants (RMBGHMI), calculating RMBGHMI on CNN feature map is used to introduce the invariance of rotational motion blur into CNN, which makes the network have certain invariance to rotational motion blur, and enables the network to classify objects directly from the image of rotational transform superimposed with rotational motion blur interfered by noises. Experimental results show that the proposed method can improve the classification accuracy of typical CNN on MNIST dataset image after rotational motion blur transforming by 30%, and improve the classification accuracy of typical CNN on CIFAR 10 dataset image after rotation motion blur transforming by 4%-16%. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
