基于对抗训练与知识蒸馏的可解释性驱动叶片病害分类
计算机视觉与模式识别
2024-01-24 v3 机器学习
摘要
本工作聚焦于植物叶片病害分类，并探索三个关键方面：对抗训练、模型可解释性和模型压缩。通过对抗训练增强了模型对对抗攻击的鲁棒性，确保即使在存在威胁的情况下也能进行准确分类。利用可解释性技术，我们深入了解了模型的决策过程，提高了信任度和透明度。此外，我们探索了模型压缩技术，以在保持分类性能的同时优化计算效率。通过实验，我们确定在基准数据集上，鲁棒性可能是以分类精度为代价的，常规测试的性能降低了 3%-20%，而对抗攻击测试的性能提高了 50%-70%。我们还证明，学生模型的计算效率可以比更复杂的模型高 15-25 倍，同时仅伴随轻微的性能下降，从而蒸馏了复杂模型的知识。
引用
@article{arxiv.2401.00334,
title = {Explainability-Driven Leaf Disease Classification Using Adversarial Training and Knowledge Distillation},
author = {Sebastian-Vasile Echim and Iulian-Marius Tăiatu and Dumitru-Clementin Cercel and Florin Pop},
journal= {arXiv preprint arXiv:2401.00334},
year = {2024}
}
备注
10 pages, 8 figures, Accepted by ICAART 2024