用于可解释且鲁棒自动驾驶感知的仿射解耦GAN
计算机视觉与模式识别
2019-07-12 v1 机器学习
图像与视频处理
摘要
随着计算机视觉算法的进步，自动驾驶车辆（AV）快速发展。作为该进步主要推动力的深度卷积神经网络已极大提升了分类精度。然而，对抗样本的发现揭示了数据集与真实世界之间的泛化差距。此外，仿射变换也可能混淆基于计算机视觉的目标检测器。对于自动驾驶等安全关键系统，感知系统的退化是不可接受的。本文提出一种深度学习系统：仿射解耦GAN（ADIS-GAN），其对仿射变换和对抗攻击均具有鲁棒性。研究表明，针对仿射变换和对抗攻击的常规数据增强是正交的，而ADIS-GAN可同时应对这两种攻击。ADIS-GAN还生成了图像旋转角度和缩放因子等有用信息。在MNIST数据集上，ADIS-GAN在30度旋转内可达到超过98%的分类精度，并在FGSM和PGD对抗攻击下达到超过90%的分类精度。
引用
@article{arxiv.1907.05274,
title = {Affine Disentangled GAN for Interpretable and Robust AV Perception},
author = {Letao Liu and Martin Saerbeck and Justin Dauwels},
journal= {arXiv preprint arXiv:1907.05274},
year = {2019}
}