一种使神经网络对多种图像损坏具有鲁棒性的简单方法
计算机视觉与模式识别
2020-07-23 v5 机器学习
机器学习
摘要
人类视觉系统对雨、雪等广泛存在的自然变化和损坏具有显著的鲁棒性。相比之下，现代图像识别模型在评估先前未见的损坏时性能会严重下降。在此，我们证明，使用加性高斯噪声和散斑噪声进行简单但经过适当调优的训练，能出人意料地很好地泛化到未见的损坏，在损坏基准 ImageNet-C（使用 ResNet50）和 MNIST-C 上轻松达到先前的最优性能（SOTA）。我们在这些强基线结果的基础上进一步表明，对识别模型针对不相关的最坏情况噪声分布进行对抗训练可带来额外的性能提升。这种正则化方法可与先前提出的防御方法结合使用以进一步改进。
引用
@article{arxiv.2001.06057,
title = {A simple way to make neural networks robust against diverse image corruptions},
author = {Evgenia Rusak and Lukas Schott and Roland S. Zimmermann and Julian Bitterwolf and Oliver Bringmann and Matthias Bethge and Wieland Brendel},
journal= {arXiv preprint arXiv:2001.06057},
year = {2020}
}
备注
Oral presentation at the European Conference for Computer Vision (ECCV 2020)