基于双因子扰动的深度学习分类器鲁棒性基准测试
计算机视觉与模式识别
2022-03-04 v1 人工智能
图形学
摘要
深度学习（DL）分类器的准确率常不稳定，在对抗图像、缺陷图像或扰动图像上重新测试时可能显著变化。本文补充了关于缺陷图像上 DL 分类器鲁棒性基准测试的基础工作。为衡量鲁棒 DL 分类器，以往研究报道了单因子损坏。我们创建了全面的 69 个基准图像集，包括一个干净集、单因子扰动集和双因子扰动条件集。最先进的双因子扰动包括（a）两种数字扰动（椒盐噪声与高斯噪声）按两种顺序施加，以及（b）一种数字扰动（椒盐噪声）与一种几何扰动（旋转）按两种顺序施加。以往评估 DL 分类器的研究常使用 top-1/top-5 准确率。我们创新了一种新的二维统计矩阵来评估 DL 分类器的鲁棒性。此外，我们引入了一种新的可视化工具，包括最小准确率、最大准确率、平均准确率和变异系数（CV），用于基准测试 DL 分类器的鲁棒性。与单因子损坏相比，我们首次报告使用双因子扰动图像可同时提升 DL 分类器的鲁棒性与准确率。所有源代码与相关图像集已在 http://cslinux.semo.edu/david/data 上共享，以支持未来学术研究与产业项目。
引用
@article{arxiv.2203.01323,
title = {Benchmarking Robustness of Deep Learning Classifiers Using Two-Factor Perturbation},
author = {Wei Dai and Daniel Berleant},
journal= {arXiv preprint arXiv:2203.01323},
year = {2022}
}
备注
10 pages. arXiv admin note: text overlap with arXiv:2103.03102