دوره 17، شماره 4 - ( 12-1399 )
جلد 17 شماره 4 صفحات 154-139 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Momeny M, Sarram M A, Latif A, Sheikhpour R. A Convolutional Neural Network based on Adaptive Pooling for Classification of Noisy Images. JSDP 2021; 17 (4) :139-154
URL: http://jsdp.rcisp.ac.ir/article-1-938-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-938-fa.html
مومنی محمد، صرام مهدی آقا، لطیف علی محمد، شیخ‌پور راضیه. ارائه یک شبکه عصبی کانولوشنال مبتنی بر ادغام تطبیقی پویا برای طبقه‌بندی تصاویر نوفه‌ای. پردازش علائم و داده‌ها. 1399; 17 (4) :139-154
دانشکده مهندسی کامپیوتر، پردیس فنی و مهندسی، دانشگاه یزد
چکیده: (3664 مشاهده)
طبقه‌بندی تصاویر مبتنی بر شبکه عصبی کانولوشن (CNN) به‌صورت گسترده در حوزه بینایی ماشین مورد مطالعه قرار گرفته است. تصاویر نوفه‌ای در نتایج خروجی CNN تأثیر مستقیم دارند که باعث کاهش دقت خروجی و افزایش زمان فرآیند آموزش شبکه می‌شوند. همچنین تصاویر تخریب‌شده‌ای که در مرحله پیش‌پردازش بهبود یافته‌اند، ممکن است به‌دلیل عدم بهبود کافی، اثر نامطلوب در فرآیند آموزش CNN داشته باشند. هدف این مقاله، اصلاح معماری شبکه عصبی کانولوشنال جهت مقاوم‌سازی در برابر تصاویر آغشته به نوفه ضربه، تصاویر با پیکسل‌های فاقد مقدار، تلفات پیکسل‌های تصاویر در ارسال و انتقال بسته‌ها، تصاویر تخریب‌شده با داده‌های پرت و تصاویر دست‌کاری‌شده است. از آنجا که پیش‌پردازش جهت حذف نوفه و بهبود کیفیت تصاویر نوفه‌ای به‌طورمعمول زمان‌بر و پرهزینه است، روش پیشنهادی با کاهش عملیات مورد نیاز در مرحله پیش‌پردازش، به طبقه‌بندی و تشخیص اشیا تصاویر نوفه‌ای را انجام می‌دهد. لایه ادغام، لایه کانولوشن و تابع هزینه برای مقاوم‌سازی CNN در برابر نوفه اصلاح می‌شوند. نتایج شبیه‌سازی نشان می‌دهد که به‌کارگیریی NR-CNN برای طبقه‌بندی تصاویر نوفه‌ای، دقت و سرعت آموزش شبکه CNN را افزایش می‌دهد. روش پیشنهادی با میانگین خطای 24% در مقایسه با روش VGG-Net نتیجه بهتری در طبقه‌بندی تصاویر موجود در پایگاه داده PascalVOC دارد؛ بنابراین می‌توان نتیجه گرفت که NR-CNN می‌‌تواند برای طبقه‌بندی و تشخیص شیء در تصاویر نوفه‌ای سودمند باشد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1397/9/21 | پذیرش: 1398/11/2 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4
دریافت: 1397/9/21 | پذیرش: 1398/11/2 | انتشار: 1399/12/4 | انتشار الکترونیک: 1399/12/4
فهرست منابع
1. [1] Y. Hou, Z. Li, P. Wang, and W. Li, "Skeleton Optical Spectra-Based Action Recognition Using Convolutional Neural Networks," IEEE Trans. Circuits Syst. Video Technol., vol. 28, no. 3, pp. 807-811, 2018. [DOI:10.1109/TCSVT.2016.2628339]
2. [2] C. Ding and D. Tao, "Trunk-Branch Ensemble Convolutional Neural Networks for Video-Based Face Recognition," IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 1002-1014, 2018. [DOI:10.1109/TPAMI.2017.2700390] [PMID]
3. [3] L. C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille, "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs," IEEE Trans. Pattern Anal. Mach. Intell., vol. 40, no. 4, pp. 834-848, 2018. [DOI:10.1109/TPAMI.2017.2699184] [PMID]
4. [4] G. Lin, Q. Wu, L. Qiu, and X. Huang, "Image super-resolution using a dilated convolutional neural network," Neurocomputing, vol. 275, pp. 1219-1230, 2018. [DOI:10.1016/j.neucom.2017.09.062]
5. [5] S. Yu, S. Jia, C. X.- Neurocomputing, and undefined 2017, "Convolutional neural networks for hyperspectral image classification," Elsevier, vol. 219, pp. 88-98, 2016. [DOI:10.1016/j.neucom.2016.09.010]
6. [6] J. Yim and K. A. Sohn, "Enhancing the Performance of Convolutional Neural Networks on Quality Degraded Datasets," DICTA 2017 - 2017 Int. Conf. Digit. Image Comput. Tech. Appl., vol. 2017-Decem, pp. 1-8, 2017. [DOI:10.1109/DICTA.2017.8227427]
7. [7] Z. Zhang, D. Han, J. Dezert, and Y. Yang, "A new adaptive switching median filter for impulse noise reduction with pre-detection based on evidential reasoning," Signal Processing, vol. 147, pp. 173-189, 2018. [DOI:10.1016/j.sigpro.2018.01.027]
8. [8] K. H. Jin and J. C. Ye, "Sparse and low-rank decomposition of a hankel structured matrix for impulse noise removal," IEEE Trans. Image Process., vol. 27, no. 3, pp. 1448-1461, 2018. [DOI:10.1109/TIP.2017.2771471] [PMID]
9. [9] I. Turkmen, "The ANN based detector to remove random-valued impulse noise in images," J. Vis. Commun. Image Represent., vol. 34, pp. 28-36, 2016. [DOI:10.1016/j.jvcir.2015.10.011]
10. [10] S. Liang, S. Lu, J. Chang, and C. C. T. Lin, "A Novel Two-Stage Impulse Noise Removal Technique Based on Neural Networks and Fuzzy Decision," Ieeexplore.Ieee.Org, vol. 16, no. 4, pp. 863-873, 2008. [DOI:10.1109/TFUZZ.2008.917297]
11. [11] V. K. Alilou and F. Yaghmaee, "Non-texture image inpainting using histogram of oriented gradients," J. Vis. Commun. Image Represent., vol. 48, pp. 43-53, 2017. [DOI:10.1016/j.jvcir.2017.06.003]
12. [12] A. Javaheri, H. Zayyani, and F. Marvasti, "Sparse recovery of missing image samples using a convex similarity index," Signal Processing, vol. 152, pp. 90-103, 2018. [DOI:10.1016/j.sigpro.2018.05.022]
13. [13] D. Shabtay, N. Raviv, and Y. Moshe, "Video packet loss concealment detection based on image content," Eur. Signal Process. Conf., 2008.
14. [14] G. Nikolakopoulos, P. Stavrou, D. Tsitsipis, D. Kandris, A. Tzes, and T. Theocharis, "A dual scheme for compression and restoration of sequentially transmitted images over Wireless Sensor Networks," Ad Hoc Networks, vol. 11, no. 1, pp. 410-426, 2013. [DOI:10.1016/j.adhoc.2012.07.003]
15. [15] R. G. Everitt and R. H. Glendinning, "A statistical approach to the problem of restoring damaged and contaminated images," Pattern Recognit., vol. 42, no. 1, pp. 115-125, 2009. [DOI:10.1016/j.patcog.2008.06.009]
16. [16] B. Dong, H. Ji, J. Li, Z. Shen, and Y. Xu, "Wavelet frame based blind image inpainting," Appl. Comput. Harmon. Anal., vol. 32, no. 2, pp. 268-279, 2012. [DOI:10.1016/j.acha.2011.06.001]
17. [17] H. Li, W. Luo, and J. Huang, "Localization of Diffusion-Based Inpainting in Digital Images," IEEE Trans. Inf. Forensics Secur., vol. 12, no. 12, pp. 3050-3064, 2017. [DOI:10.1109/TIFS.2017.2730822]
18. [18] C. Qin, C. C. Chang, and K. N. Chen, "Adaptive self-recovery for tampered images based on VQ indexing and inpainting," Signal Processing, vol. 93, no. 4, pp. 933-946, 2013. [DOI:10.1016/j.sigpro.2012.11.013]
19. [19] K. Audhkhasi, O. Osoba, and B. Kosko, "Noise-enhanced convolutional neural networks," Neural Networks, vol. 78, pp. 15-23, 2016. [DOI:10.1016/j.neunet.2015.09.014] [PMID]
20. [20] I. F. Jafar, R. A. Alna'Mneh, and K. A. Darabkh, "Efficient improvements on the BDND filtering algorithm for the removal of high-density impulse noise," IEEE Trans. Image Process., vol. 22, no. 3, pp. 1223-1232, 2013. [DOI:10.1109/TIP.2012.2228496] [PMID]
21. [21] S. Esakkirajan, T. Veerakumar, A. N. Subramanyam, and C. H. PremChand, "Removal of High Density Salt and Pepper Noise Through Modified Decision Based Unsymmetric Trimmed Median Filter," IEEE Signal Process. Lett., vol. 18, no. 5, pp. 287-290, 2011. [DOI:10.1109/LSP.2011.2122333]
22. [22] C. Guillemot and O. Le Meur, "Image Inpainting," IEEE Signal Process. Mag., no. JANUARY, pp. 127-144, 2014. [DOI:10.1109/MSP.2013.2273004]
23. [23] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai, T. Liu, X. Wang, G. Wang, J. Cai, and T. Chen, "Recent advances in convolutional neural networks," Pattern Recognit., vol. 77, pp. 354-377, 2018. [DOI:10.1016/j.patcog.2017.10.013]
24. [24] Y. Liu, Y. M. Zhang, X. Y. Zhang, and C. L. Liu, "Adaptive spatial pooling for image classification," Pattern Recognit., vol. 55, pp. 58-67, 2016. [DOI:10.1016/j.patcog.2016.01.030]
25. [25] K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," 2014.
26. [26] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, and L. Fei-Fei, "ImageNet Large Scale Visual Recognition Challenge," Int. J. Comput. Vis., vol. 115, no. 3, pp. 211-252, 2015. [DOI:10.1007/s11263-015-0816-y]
27. [27] Y. Wang, A. Szlam, and G. Lerman, "Robust Locally Linear Analysis with Applications to Image Denoising and Blind Inpainting," SIAM J. Imaging Sci., vol. 6, no. 1, pp. 526-562, 2013. [DOI:10.1137/110843642]
28. [28] M. Yan, "Restoration of Images Corrupted by Impulse Noise and Mixed Gaussian Impulse Noise using Blind Inpainting," SIAM J. Imaging Sci., vol. 6, no. 3, pp. 1227-1245, 2013. [DOI:10.1137/12087178X]
29. [29] J. Salmon, Z. Harmany, C. A. Deledalle, and R. Willett, "Poisson noise reduction with non-local PCA," J. Math. Imaging Vis., vol. 48, no. 2, pp. 279-294, 2014. [DOI:10.1007/s10851-013-0435-6]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
