通过解耦表示与对抗混合实现真实场景下的鲁棒性
机器学习
2020-03-26 v2 计算机视觉与模式识别
机器学习
摘要
近期研究有一个令人惊讶的发现：最先进的深度学习模型有时无法泛化到输入的小幅变化。对抗训练已被证明是克服此问题的有效方法。然而，其应用一直局限于强制对解析定义的变换（如范数有界扰动）的不变性。此类扰动未必覆盖保留输入语义的合理真实世界变化（例如光照条件改变）。在本文中，我们提出一种表达并形式化针对此类输入真实世界变换鲁棒性的新方法。我们公式背后的两个关键思想是（1）利用输入的解耦表示来定义不同的变化因子，以及（2）通过对不同图像的表示进行对抗式组合来生成新输入图像。我们使用StyleGAN模型来证明该框架的有效性。具体而言，我们利用StyleGAN模型计算的解耦潜表示来生成类似于真实世界变化（如添加妆容或改变人的肤色）的图像扰动，并训练模型对这些扰动保持不变。大量实验表明，我们的方法改善了泛化并减少了虚假相关性的影响（例如将“微笑”检测器的错误率降低了21%）。
引用
@article{arxiv.1912.03192,
title = {Achieving Robustness in the Wild via Adversarial Mixing with Disentangled Representations},
author = {Sven Gowal and Chongli Qin and Po-Sen Huang and Taylan Cemgil and Krishnamurthy Dvijotham and Timothy Mann and Pushmeet Kohli},
journal= {arXiv preprint arXiv:1912.03192},
year = {2020}
}
备注
Accepted at CVPR 2020