D-Score：基于变异算子的CNN白盒诊断评分
计算机视觉与模式识别
2023-04-04 v1
摘要
卷积神经网络(CNN)已广泛应用于自动驾驶、医疗诊断等许多安全关键领域。然而，这些模型的可信性引发了担忧：标准测试方法在测试集上评估模型性能，而低质量和不充分的测试集会导致不可靠的评估结果，可能产生不可预见的后果。因此，如何全面评估CNN并基于评估结果提升其可信性是亟待解决的关键问题。已有工作使用变异测试来评估CNN的测试集。然而，评估评分是黑盒的，对于所测试内容不够明确。本文中，我们提出一种白盒诊断方法，利用变异算子和图像变换计算模型的特征与注意力分布，并进一步提出一种诊断评分，即D-Score，以反映模型对数据集的鲁棒性和适配性。我们还提出一种基于D-Score的数据增强方法，以提升CNN对平移和缩放的性能。在两个广泛使用的数据集和三种常用CNN上的综合实验证明了我们方法的有效性。
引用
@article{arxiv.2304.00697,
title = {D-Score: A White-Box Diagnosis Score for CNNs Based on Mutation Operators},
author = {Xin Zhang and Yuqi Song and Xiaofeng Wang and Fei Zuo},
journal= {arXiv preprint arXiv:2304.00697},
year = {2023}
}