偏向纹理：真实数据上的纹理偏置
计算机视觉与模式识别
2025-02-12 v2 密码学与安全
摘要
偏置严重损害了机器学习模型的准确性与可信度。迄今为止，在图像分类模型中观察到的最强偏置之一是纹理偏置——即模型过度依赖纹理信息而非形状信息。然而，现有的测量与缓解纹理偏置的方法未能捕捉在真实场景中纹理如何影响模型的鲁棒性。在本工作中，我们引入了纹理关联值（TAV），这是一种新颖的度量指标，用于量化模型在对物体进行分类时在多大程度上依赖特定纹理的存在。利用 TAV，我们证明了模型的准确性与鲁棒性深受纹理影响。我们的结果表明，纹理偏置解释了自然对抗样本的存在：超过 90% 的此类样本包含与其真实标签所学纹理不一致的纹理，从而导致高置信度的误预测。
引用
@article{arxiv.2412.10597,
title = {Err on the Side of Texture: Texture Bias on Real Data},
author = {Blaine Hoak and Ryan Sheatsley and Patrick McDaniel},
journal= {arXiv preprint arXiv:2412.10597},
year = {2025}
}
备注
Accepted to IEEE Secure and Trustworthy Machine Learning (SaTML)