对抗样本改善图像识别
计算机视觉与模式识别
2020-04-15 v2
摘要
对抗样本通常被视为对卷积神经网络的威胁。在此我们提出相反的观点：若以恰当方式加以利用，对抗样本可用于改进图像识别模型。我们提出AdvProp，一种增强的对抗训练方案，其将对抗样本视为额外样本，以防止过拟合。我们方法的关键在于对对抗样本使用独立的辅助批量归一化，因为它们与正常样本具有不同的底层分布。我们表明AdvProp在多种图像识别任务上改进了广泛的模型，并且当模型更大时表现更好。例如，通过将AdvProp应用于ImageNet上最新的EfficientNet-B7 [28]，我们在ImageNet (+0.7%)、ImageNet-C (+6.5%)、ImageNet-A (+7.0%)、Stylized-ImageNet (+4.8%) 上取得了显著改进。借助增强的EfficientNet-B8，我们的方法在无额外数据的情况下达到了最先进的85.5% ImageNet top-1准确率。该结果甚至超越了 [20] 中最佳模型，后者使用35亿张Instagram图像（约为ImageNet的3000倍）和约9.4倍参数量进行训练。模型可在 https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet 获取。
引用
@article{arxiv.1911.09665,
title = {Adversarial Examples Improve Image Recognition},
author = {Cihang Xie and Mingxing Tan and Boqing Gong and Jiang Wang and Alan Yuille and Quoc V. Le},
journal= {arXiv preprint arXiv:1911.09665},
year = {2020}
}
备注
CVPR 2020, models are available at https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet