仿生模型用于鲁棒图像识别的实证倡导
计算机视觉与模式识别
2022-05-19 v1
摘要
深度卷积神经网络（DCNNs）已经革新了计算机视觉，并常被倡导为人类视觉系统的良好模型。然而，目前 DCNNs 存在许多缺陷，使其无法作为人类视觉的模型。学界持续尝试利用人类视觉系统的特征来提升神经网络对数据扰动的鲁棒性。我们对此类仿生模型及其性质提供了详细分析。为此，我们将若干仿生模型的鲁棒性与它们最具可比性的基线 DCNN 模型进行基准测试。我们发现，仿生模型往往具有对抗鲁棒性，且无需任何特殊的数据增强。此外，我们发现仿生模型在存在更贴近现实的常见 corruptions 时胜过对抗训练模型。有趣的是，我们还发现仿生模型倾向于同时使用低频与中频信息，这与其他 DCNN 模型形成对比。我们发现这种频率信息的混合使它们对对抗扰动与常见 corruptions 均具有鲁棒性。
引用
@article{arxiv.2205.09037,
title = {Empirical Advocacy of Bio-inspired Models for Robust Image Recognition},
author = {Harshitha Machiraju and Oh-Hyeon Choung and Michael H. Herzog and Pascal Frossard},
journal= {arXiv preprint arXiv:2205.09037},
year = {2022}
}