极值保持网络
计算机视觉与模式识别
2020-11-18 v1 机器学习
摘要
近期证据表明卷积神经网络(CNNs)偏向于纹理，因而CNNs对非鲁棒于纹理上的对抗扰动，而传统鲁棒视觉特征如SIFT(尺度不变特征变换)被设计为在大量仿射畸变、噪声添加等情况下保持鲁棒，并模仿人类感知本性。本文旨在利用SIFT的良好性质革新CNN架构以获得更好精度与鲁棒性。我们从SIFT借用尺度空间极值思想，提出极值保持网络(EVPNets)。实验表明EVPNets可达到与常规CNNs相似或更好的精度，同时在不进行对抗训练的情况下于一组对抗攻击(FGSM、PGD等)上实现远更好鲁棒性。
引用
@article{arxiv.2011.08367,
title = {Extreme Value Preserving Networks},
author = {Mingjie Sun and Jianguo Li and Changshui Zhang},
journal= {arXiv preprint arXiv:2011.08367},
year = {2020}
}