基于可微函数的动态测试时增强
计算机视觉与模式识别
2024-10-23 v3
摘要
真实世界中常发生的分布偏移会降低深度学习系统的准确率，因此提升对分布偏移的鲁棒性对实际应用至关重要。为提升鲁棒性，我们研究一种无需重训练识别模型即可生成利于识别的图像的图像增强方法。我们提出一种新颖的图像增强方法DynTTA，其基于可微数据增强技术，并从多张增强图像中生成混合图像，以在分布偏移下提升识别准确率。除标准数据增强外，DynTTA还结合基于深度神经网络的图像变换，进一步提升鲁棒性。由于DynTTA由可微函数构成，其可直接通过识别模型的分类损失进行训练。在使用多种分类模型的广泛使用的图像识别数据集实验中，DynTTA在几乎不降低干净图像分类准确率的同时提升了鲁棒性，从而优于现有方法。此外，结果表明，通过使用DynTTA估计分布偏移数据集的训练时增强并以估计的增强重训练识别模型，鲁棒性得到显著提升。DynTTA是同时需要干净准确率与鲁棒性的应用的一种有前景的方法。我们的代码可在\url{https://github.com/s-enmt/DynTTA}获取。
引用
@article{arxiv.2212.04681,
title = {Dynamic Test-Time Augmentation via Differentiable Functions},
author = {Shohei Enomoto and Monikka Roslianna Busto and Takeharu Eda},
journal= {arXiv preprint arXiv:2212.04681},
year = {2024}
}
备注
IEEE Access