面向鲁棒图像分类器的对抗幅度交换
计算机视觉与模式识别
2022-04-12 v3 图像与视频处理
摘要
卷积神经网络（CNNs）对常见 corruptions 和对抗扰动等图像扰动的脆弱性近来已从频率视角得到研究。在本研究中，我们探究对抗图像的幅度谱与相位谱对CNN分类器鲁棒性的影响。大量实验表明，由对抗图像的幅度谱与干净图像的相位谱组合生成的图片可容纳适度且通用的扰动，使用这些图像训练可使CNN分类器具备更通用的鲁棒性，在常见 corruptions 与对抗扰动下均表现良好。我们还发现上述频谱重组可规避两类过拟合（灾难性过拟合与鲁棒过拟合）。我们相信这些结果有助于理解并训练真正鲁棒的分类器。
引用
@article{arxiv.2203.07138,
title = {Adversarial amplitude swap towards robust image classifiers},
author = {Chun Yang Tan and Kazuhiko Kawamoto and Hiroshi Kera},
journal= {arXiv preprint arXiv:2203.07138},
year = {2022}
}
备注
13+6 pages (main+supplement), 3 figures