Autor(es)

Nazare, Tiago S. ; da Costa, Gabriel B. Paranhos ; Contato, Welinton A. ; Ponti, Moacir

• Tipo de documento: Artigo Científico
• Fonte: PROGRESS IN PATTERN RECOGNITION, IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2017; v. 10657, p. 9-pg., 2018-01-01.

Resumo

The presence of noise represent a relevant issue in image feature extraction and classification. In deep learning, representation is learned directly from the data and, therefore, the classification model is influenced by the quality of the input. However, the ability of deep convolutional neural networks to deal with images that have a different quality when compare to those used to train the network is still to be fully understood. In this paper, we evaluate the generalization of models learned by different networks using noisy images. Our results show that noise cause the classification problem to become harder. However, when image quality is prone to variations after deployment, it might be advantageous to employ models learned using noisy data. (AU)

• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 16/16111-4 - Aprendizado de características na recuperação de imagens baseada em rascunhos e no sensoriamento remoto de baixa altitude
• Beneficiário: Moacir Antonelli Ponti
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 15/05310-3 - Aprendizado de características espaço-temporais em vídeos
• Beneficiário: Gabriel de Barros Paranhos da Costa
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Processo FAPESP: 15/04883-0 - Detecção de eventos não usuais em vídeos de segurança
• Beneficiário: Tiago Santana de Nazare
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto