基于边缘的学习以提高对对抗噪声下的分类鲁棒性
计算机视觉与模式识别
2025-04-30 v1 人工智能
摘要
对抗噪声引入小扰动，误导深度学习模型进行误分类，显著影响识别准确率。本研究分析了Fast Gradient Sign Method(FGSM)对抗噪声对图像分类的影响，并探讨了在特定图像特征上训练是否可提高鲁棒性。我们假设，尽管对抗噪声扰动了图像的各个区域，边缘可能仍保持相对稳定，为分类提供essential结构信息。为此，我们对脑瘤和COVID数据集进行了一系列实验。最初，我们在干净图像上训练模型，然后引入细微的对抗扰动，导致深度学习模型显著误分类。重新训练于干净和噪声图像的组合后，性能得到改善。为了评估边缘特征的鲁棒性，我们从原始/干净图像中提取边缘，并仅在基于边缘的表示上训练模型。当对图像引入噪声时，基于边缘的模型在对抗攻击下的鲁棒性优于在原始或干净图像上训练的模型。这些结果表明，对抗噪声能够显著利用非边缘区域，而边缘则被相对轻微地利用。此外，重新训练后在原始数据上的准确率改善略高于在边缘上的准确率改善。因此，利用基于边缘的学习可以提高深度学习模型对对抗扰动的鲁棒性。
引用
@article{arxiv.2504.20077,
title = {Edge-Based Learning for Improved Classification Under Adversarial Noise},
author = {Manish Kansana and Keyan Alexander Rahimi and Elias Hossain and Iman Dehzangi and Noorbakhsh Amiri Golilarz},
journal= {arXiv preprint arXiv:2504.20077},
year = {2025}
}