特征级增强以提升深度神经网络对仿射变换的鲁棒性
计算机视觉与模式识别
2022-08-23 v4 机器学习
摘要
近期研究表明，卷积神经网络对小幅图像变换（例如旋转几度或平移几个像素）的泛化能力不佳。为了提升对此类变换的鲁棒性，我们提出在神经架构的中间层引入数据增强，作为对输入图像上常用数据增强的补充。通过在各个层级对激活图（特征）引入小幅扰动，我们培养了神经网络应对此类变换的能力。我们在三个图像分类基准数据集（Tiny ImageNet、Caltech-256 和 Food-101）上进行了实验，考虑了两种不同的卷积架构（ResNet-18 和 DenseNet-121）。与两种最先进的稳定性方法相比，实证结果表明，我们的方法始终能在准确率和平均翻转率之间取得最佳权衡。
引用
@article{arxiv.2202.05152,
title = {Feature-level augmentation to improve robustness of deep neural networks to affine transformations},
author = {Adrian Sandru and Mariana-Iuliana Georgescu and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2202.05152},
year = {2022}
}
备注
Accepted at ECCV Workshop on Adversarial Robustness in the Real World (AROW 2022)