科研之友
微信
新浪微博
Facebook
分享链接
摘要
压缩感知理论认为可以从少量测量中重建稀疏信号，尽管压缩感知能够实现低成本采样，但其重建过程需要高昂的代价。已有的研究工作成果表明，图像分类可以在测量域进行，而无需重建信号，但目前直接从压缩测量中推理难以提取到深层次特征，无法获得较好的分类效果，针对此问题，为了进一步提升分类结果，文章提出了一种带有重建辅助的深度学习框架直接从图像的压缩测量中推断分类。该框架在分类网络中加入了重建分支作为辅助，联合重建损失与分类损失组合成一个新的加权损失函数调整网络参数，帮助网络提取深层次特征。重建分支只在训练阶段使用来调整网络参数，在训练完成后，重建分支将被舍弃，在实际使用中将不会增加分类任务的时间成本，并保护了数据的隐私。在MNIST和CIFAR-10数据集上进行了实验，结果表明，相比现有方法，所提出的方法在不增加使用成本的情况下有效提高了分类准确度，在两数据集上最高分别提升了1.19个百分点和17.69个百分点，为基于压缩测量的直接推理研究提供了新思路。
- 出版日期2023
- 单位中国空间技术研究院; 河南大学
