少样本图像分类中对抗鲁棒性的一种简单方法
计算机视觉与模式识别
2022-04-13 v1 人工智能
机器学习
摘要
少样本图像分类旨在对标注数据有限的任务进行泛化，近年来取得了巨大进展。然而，分类器易受对抗样本的攻击，这对其泛化能力提出了疑问。近期工作试图将元学习方法与对抗训练相结合，以提升少样本分类器的鲁棒性。我们展示了一种基于简单迁移学习的方法可用于训练对抗鲁棒的少样本分类器。我们还提出了一种基于将少样本类别的质心向基类校准的新分类任务方法。我们表明，在基类上进行的标凖对抗训练，加上在新类别中基于校准质心的分类器，在标准少样本学习基准上优于或与最先进的先进方法持平。我们的方法简单、易于扩展，且只需少量工作即可获得鲁棒的少样本分类器。代码见：\url{https://github.com/UCDvision/Simple_few_shot.git}
引用
@article{arxiv.2204.05432,
title = {A Simple Approach to Adversarial Robustness in Few-shot Image Classification},
author = {Akshayvarun Subramanya and Hamed Pirsiavash},
journal= {arXiv preprint arXiv:2204.05432},
year = {2022}
}