下载掌阅APP，畅读海量书库
立即打开
第2章讨论了多尺度特征学习的图像非聚焦模糊检测，其侧重于通过设计特殊的网络结构来增强层次表示，如构建加深加宽的网络结构获取高级语义表示以提高非聚焦模糊检测的精度。然而，在非聚焦模糊检测方法中还存在两个亟待解决的问题，一是现有加深加宽的单个非聚焦模糊检测器缺乏多样性，且大量参数导致计算成本高昂，限制了其在计算资源受限场景下的引用；二是与一些其他任务不同，非聚焦模糊检测具有语义关联较弱的特点，非聚焦模糊区域通常不具有完整的语义信息，通过上述方法获得的高级语义信息并不总是能提高准确性，不正确地使用这些高级语义信息甚至会造成性能下降。
本章通过探索深度集成网络来解决上述两个问题。集成学习是机器学习中一种广泛应用且有效的技术，其通过集成多个不同的分支学习器所产生的多样性结果来改善性能。针对第一个问题，3.2节提出了深度交叉集成网络 [1] ，与利用加深加宽的网络训练单个非聚焦模糊检测器的方法不同，其将非聚焦模糊检测拆解为多个较小的非聚焦模糊检测器，并设计了交叉负相关和自负相关与误差函数来提高集成的多样性和平衡个体的准确性，成功在不增加较多计算量的情况下有效提升了非聚焦模糊检测器的多样性。针对第二个问题，3.3节提出了自适应集成网络 [2] ，专注于探索非聚焦模糊区域中不完全语义信息的有效利用，主要目的是在集成多个非聚焦模糊检测器产生的不同结果时能够使检测误差相互抵消，用自适应集成不完整的语义信息提升模糊检测的精度。3.4节将对上述方法进行总结，给出方法的核心思想及启示，并说明方法的实际应用场景。