用于提升鲁棒性的内置弹性变换
计算机视觉与模式识别
2021-10-25 v3 人工智能
机器学习
摘要
我们致力于在神经视觉分类器的卷积中构建鲁棒性，特别是针对弹性形变、遮挡和高斯噪声等自然扰动。现有 CNN 在干净图像上表现优异，却难以应对自然发生的扰动。本文从弹性扰动出发，其近似物体的（局部）视点变化。我们提出弹性增强卷积（EAConv），将滤波器参数化为固定弹性扰动基函数与可训练权重的组合，以将未见视点整合进 CNN。我们在 CIFAR-10 和 STL-10 数据集上表明，我们的方法对未见遮挡、缩放、旋转、图像裁剪和高斯扰动的通用鲁棒性得到提升，同时在无任何数据增强的情况下显著提高了干净图像上的性能。
引用
@article{arxiv.2107.09391,
title = {Built-in Elastic Transformations for Improved Robustness},
author = {Sadaf Gulshad and Ivan Sosnovik and Arnold Smeulders},
journal= {arXiv preprint arXiv:2107.09391},
year = {2021}
}