利用对抗图像频谱实现通用鲁棒性
计算机视觉与模式识别
2023-05-16 v1
摘要
近年来，卷积神经网络（CNNs）对图像扰动的脆弱性日益引发关注。然而，针对不同类型扰动的通用鲁棒性仍具挑战，因为增强对某些扰动（如对抗扰动）的鲁棒性可能削弱对其他扰动（如常见 corruptions）的鲁棒性。本文中，我们证明强调相位分量的对抗训练显著提升了模型在干净、对抗及常见 corruption 准确率上的表现。我们提出一种基于频率的数据增广方法——对抗幅度交换（Adversarial Amplitude Swap），其在干净与对抗图像间交换幅度谱以生成两种新训练图像：对抗幅度图像与对抗相位图像。这些图像作为对抗图像的替代，可应用于多种对抗训练设置。通过大量实验，我们证明该方法使 CNNs 获得针对不同扰动类型的通用鲁棒性，并对所有常见 corruption 类型取得一致性能。
引用
@article{arxiv.2305.08439,
title = {Exploiting Frequency Spectrum of Adversarial Images for General Robustness},
author = {Chun Yang Tan and Kazuhiko Kawamoto and Hiroshi Kera},
journal= {arXiv preprint arXiv:2305.08439},
year = {2023}
}
备注
15 pages and 5 figures. arXiv admin note: text overlap with arXiv:2203.07138