AdvMask：一种基于稀疏对抗攻击的图像分类数据增强方法
计算机视觉与模式识别
2022-11-30 v1 人工智能
摘要
数据增强是一种广泛用于增强卷积神经网络（CNNs）在图像分类任务中泛化能力的技术。遮挡是影响图像分类模型泛化能力的一个关键因素。为了生成新样本，现有的基于信息删除的数据增强方法通过随机移除图像中的某些区域来模拟被遮挡样本。然而，这些方法无法根据图像的结构特征来删除图像区域。为解决这些问题，我们提出了一种用于图像分类任务的新型数据增强方法 AdvMask。与随机移除图像区域不同，AdvMask 通过一个端到端稀疏对抗攻击模块获得对分类结果影响最大的关键点。因此，我们能够在不考虑各种图像外观多样性及感兴趣目标形状的情况下，找到分类结果最敏感的点。此外，采用数据增强模块基于这些关键点生成结构化掩码，从而当最具判别力的内容被隐藏时，迫使 CNN 分类模型去寻找其他相关内容。AdvMask 能有效提升分类模型在测试过程中的性能。在各种数据集和 CNN 模型上的实验结果验证了所提方法在图像分类任务中优于其他已有的数据增强方法。
引用
@article{arxiv.2211.16040,
title = {AdvMask: A Sparse Adversarial Attack Based Data Augmentation Method for Image Classification},
author = {Suorong Yang and Jinqiao Li and Jian Zhao and Furao Shen},
journal= {arXiv preprint arXiv:2211.16040},
year = {2022}
}