边缘检测器可提升深度卷积神经网络的鲁棒性

深度卷积神经网络（简称 DCNN）易受微小扰动样本的影响。提升 DCNN 的鲁棒性对于自动驾驶和工业自动化等安全关键应用具有重要意义。受人眼识别物体的主要方式（即很大程度上依赖形状特征）的启发，本文首先将边缘检测器用作层卷积核，并设计了一个二值边缘特征分支（简称 BEFB）来学习二值边缘特征，该分支可轻松集成到任何主流骨干网络中。四个边缘检测器分别学习水平、垂直、正对角和负对角边缘特征，该分支由多个 Sobel 层（使用边缘检测器作为卷积核）和一个阈值层堆叠而成。由该分支学习到的二值边缘特征与骨干网络学习到的纹理特征拼接后，被送入全连接层进行分类。我们将提出的分支分别集成到 VGG16 和 ResNet34 中，并在多个数据集上进行了实验。实验结果表明，BEFB 轻量且对训练无副作用。在面对 FGSM、PGD 和 C&W 攻击时，集成 BEFB 的模型在所有数据集上的准确率均优于原始模型。此外，配备鲁棒性增强技术的 BEFB 集成模型相比原始模型能实现更好的分类准确率。本文工作首次表明，通过结合类形状特征和纹理特征来增强 DCNN 的鲁棒性是可行的。