通过神经网络选择性微调降低上下文干扰
计算机视觉与模式识别
2020-11-24 v1
摘要
前景目标物体与背景周围上下文的特征解耦尚未完全实现。网络可解释性的缺乏阻碍了特征解耦与更好泛化鲁棒性的进展。我们在本工作中研究了上下文在干扰已解耦的前景目标物体表示中的作用。我们假设，由于卷积网络具有密集分层参数化且学习算法约束不足，周围上下文的表示与前景物体紧密绑定。在一个受益于自底向上与自顶向下处理范式的框架上，我们研究了一种系统性方法，将前馈网络中学得的表示从对无关上下文的侧重转移到前景物体。自顶向下处理提供重要性图作为网络内部自解释的手段，将引导学习算法聚焦于相关前景区域，以实现更鲁棒的表示。我们利用 MNIST 数据集定义了一个强调上下文作用的实验评估设置。实验结果表明，不仅标签预测准确率得到提升，而且使用多种噪声生成方法时对背景扰动的鲁棒性也获得了更高程度。
引用
@article{arxiv.2011.10857,
title = {Contextual Interference Reduction by Selective Fine-Tuning of Neural Networks},
author = {Mahdi Biparva and John Tsotsos},
journal= {arXiv preprint arXiv:2011.10857},
year = {2020}
}