人类与深度神经网络中的泛化能力
计算机视觉与模式识别
2020-10-26 v3 人工智能
机器学习
神经元与认知
机器学习
摘要
我们在十二种不同类型的图像退化下比较了人类与当前卷积深度神经网络（DNN）在物体识别上的鲁棒性。首先，使用三种知名 DNN（ResNet-152、VGG-19、GoogLeNet），我们发现人类视觉系统对几乎所有被测图像操控都更为鲁棒，并且当信号变弱时，人类与 DNN 之间的分类错误模式逐渐发散。其次，我们表明直接在失真图像上训练的 DNN 在其所受训练的精确失真类型上持续超越人类表现，但在其他失真类型测试时却展现出极差的泛化能力。例如，在椒盐噪声上训练并不意味着对均匀白噪声的鲁棒性，反之亦然。因此，训练与测试之间噪声分布的变化构成了深度学习视觉系统的关键挑战，可通过终身机器学习方法系统应对。我们由 83K 次精心测量的人类心理物理试验组成的新数据集，为终身抗图像退化的鲁棒性提供了由人类视觉系统设定的有用参考。
引用
@article{arxiv.1808.08750,
title = {Generalisation in humans and deep neural networks},
author = {Robert Geirhos and Carlos R. Medina Temme and Jonas Rauber and Heiko H. Schütt and Matthias Bethge and Felix A. Wichmann},
journal= {arXiv preprint arXiv:1808.08750},
year = {2020}
}
备注
Added optimal probability aggregation method to appendix