深度网络的几何鲁棒性：分析与改进
计算机视觉与模式识别
2017-11-28 v1 机器学习
摘要
深度卷积神经网络已被证明易受任意几何变换的攻击。然而，尚无系统方法可度量深度网络对此类变换的不变性性质。我们提出 ManiFool 这一简单且可扩展的算法来度量深度网络的不变性。具体而言，我们的算法在最坏情形机制下度量深度网络对几何变换的鲁棒性，因为此类情形对敏感应用可能构成问题。我们广泛的实验结果表明，ManiFool 可用于度量复杂网络在高维数据集上的不变性，且这些数值可用于分析其成因。此外，我们在 ManiFool 基础上提出一种新的对抗训练方案，并展示了其在改善深度神经网络不变性性质上的有效性。
引用
@article{arxiv.1711.09115,
title = {Geometric robustness of deep networks: analysis and improvement},
author = {Can Kanbak and Seyed-Mohsen Moosavi-Dezfooli and Pascal Frossard},
journal= {arXiv preprint arXiv:1711.09115},
year = {2017}
}