生物启发鲁棒性：综述
计算机视觉与模式识别
2021-03-18 v1 人工智能
机器学习
摘要
深度卷积神经网络（DCNNs）已革新计算机视觉，并常被推崇为人类视觉系统的良好模型。然而，目前 DCNNs 存在诸多缺陷，使其无法作为人类视觉的模型。例如，在对抗攻击情形下，向含物体的图像添加少量噪声可导致该物体的强烈误分类。但对人类而言，该噪声常不可见。若无法修复对对抗噪声的脆弱性，DCNNs 便不能被视为人类视觉的严肃模型。许多研究尝试将人类视觉系统特征加入 DCNNs 以使其对对抗攻击鲁棒。然而，受人类视觉启发的组件是否提升鲁棒性尚不完全清楚，因为这些 DCNNs 中新颖组件的性能评估常无定论。我们提出一组恰当评估的准则，并依据这些准则分析不同模型。我们最后勾勒未来努力方向，使 DCNNs 更接近于人类视觉模型。
引用
@article{arxiv.2103.09265,
title = {Bio-inspired Robustness: A Review},
author = {Harshitha Machiraju and Oh-Hyeon Choung and Pascal Frossard and Michael. H Herzog},
journal= {arXiv preprint arXiv:2103.09265},
year = {2021}
}