用于鲁棒图像分类的解耦深度自编码正则化
计算机视觉与模式识别
2019-03-01 v1 机器学习
机器学习
摘要
尽管深度卷积神经网络在机器学习中取得了革命性成功，但最近发现其易受对抗攻击，且难以泛化到具有较大几何变换的新测试图像。受近期神经科学发现的启发——灵长类动物大脑采用解耦的形状与外观表示进行物体识别，我们提出一种通用的解耦深度自编码正则化框架，可轻松应用于任何基于深度嵌入的分类模型，以提升深度神经网络的鲁棒性。我们的框架有效学习解耦的外观码和几何码用于鲁棒图像分类，这是首个基于解耦、防御对抗攻击的方法，并且是对标准防御方法的补充。在多个基准数据集上的大量实验表明，我们提出的正则化框架利用解耦嵌入，在对抗攻击鲁棒性和对新测试数据的泛化方面显著优于传统的无正则化卷积神经网络。
引用
@article{arxiv.1902.11134,
title = {Disentangled Deep Autoencoding Regularization for Robust Image Classification},
author = {Zhenyu Duan and Martin Renqiang Min and Li Erran Li and Mingbo Cai and Yi Xu and Bingbing Ni},
journal= {arXiv preprint arXiv:1902.11134},
year = {2019}
}
备注
9 pages