利用新型深度自适应模糊与激活函数抑制深度图像分类器的混叠
计算机视觉与模式识别
2021-10-05 v1
摘要
深度卷积网络易受图像平移或位移的影响，部分归因于常见的下采样层，如最大池化和步幅卷积。这些操作违背了奈奎斯特采样率并引起混叠。教科书式的解决方案是在下采样前进行低通滤波（模糊），这对深度网络同样有益。即便如此，诸如 ReLU 之类的非线性单元常重新引入该问题，表明仅模糊可能不够。在本工作中，我们首先用傅里叶变换分析深度特征，并表明深度自适应模糊比单调模糊更有效。为此，我们概述了它如何替代现有下采样方法。其次，我们引入了一种带有内置低通滤波器的新型激活函数，以防止问题重现。从实验中，我们观察到对其他形式的变换和损坏也具有泛化性，例如旋转、缩放和噪声。我们在三种具有挑战性的设置下评估了我们的方法：（1）多种图像平移；（2）对抗攻击——包括 有界和无界；（3）数据损坏和扰动。在每种设置下，我们的方法均取得了最先进的结果，并提升了在各种基准数据集上的干净准确率。
引用
@article{arxiv.2110.00899,
title = {Anti-aliasing Deep Image Classifiers using Novel Depth Adaptive Blurring and Activation Function},
author = {Md Tahmid Hossain and Shyh Wei Teng and Ferdous Sohel and Guojun Lu},
journal= {arXiv preprint arXiv:2110.00899},
year = {2021}
}