基于双因子扰动的深度学习分类器鲁棒性基准测试
机器学习
2023-06-27 v5 人工智能
计算机视觉与模式识别
性能
摘要
本文补充了关于深度学习（DL）分类器鲁棒性基准测试的基础工作。我们创新了一种新的基准测试方法以评估 DL 分类器的鲁棒性。此外，我们引入了一种新的四象限统计可视化工具，包括最小准确率、最大准确率、平均准确率和变异系数，用于 DL 分类器的鲁棒性基准测试。为衡量鲁棒 DL 分类器，我们创建了一个包含 69 个基准图像的综合集合，包括干净集、单因子扰动集和双因子扰动条件集。在收集实验结果后，我们首先报告使用双因子扰动图像提升了 DL 分类器的鲁棒性和准确率。双因子扰动包括（1）两种数字扰动（椒盐噪声和高斯噪声）按两种顺序施加，以及（2）一种数字扰动（椒盐噪声）和一种几何扰动（旋转）按两种顺序施加。所有源代码、相关图像集和初步数据、图表均已共享于 GitHub 网站以支持未来学术研究与产业项目。网络资源位于 https://github.com/caperock/robustai
引用
@article{arxiv.2103.03102,
title = {Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor Perturbation},
author = {Wei Dai and Daniel Berleant},
journal= {arXiv preprint arXiv:2103.03102},
year = {2023}
}
备注
An updated version of the same title is at: arXiv:2203.01323