用卷积滤波器matlab代码-DeepCorrect:针对图像失真校正DNN模型

用卷积滤波器matlab代码DeepCorrect：针对图像失真校正DNN模型 介绍 近年来，深度神经网络（DNN）的广泛使用促进了计算机视觉任务（如图像分类和对象识别）的性能大大提高。 在大多数现实的计算机视觉应用中，输入图像在图像获取或传输过程中会经历某种形式的图像失真，例如模糊和附加噪声。 经过原始图像训练的深度网络在进行此类失真测试时表现不佳。 DeepCorrect通过在DNN中最容易受到失真影响的卷积滤波器的输出处训练带有残留连接的小卷积层并保留残差连接来校正其滤波器激活，同时保留其余的预训练DNN，从而提高了预训练DNN模型的鲁棒性过滤器输出不变。 性能结果表明，将DeepCorrect模型应用于常见的视觉任务，例如图像分类（CIFAR-100，ImageNet），对象识别（Caltech-101，Caltech-256）和场景分类（SUN-397），可显着提高DNN抵抗失真的鲁棒性图像并胜过网络微调的替代方法。 有关DeepCorrect的完整说明，请参见我们的日记纸或上的预印本。 用于ImageNet对象类的基线AlexNet DNN特征的二维t-SNE嵌入： 用于I