基于分组抑制的特征正则化用于鲁棒分类
计算机视觉与模式识别
2021-08-18 v3 人工智能
摘要
卷积神经网络(CNN)对具有极小变化(如 corrupted 和对抗样本)的退化图像十分脆弱。可能的原因之一是CNN在学习时更关注最具判别性的区域,而忽略辅助特征,导致最终判断缺乏特征多样性。在我们的方法中,我们提出在训练时通过分组抑制动态抑制CNN的显著激活值,而非固定或随机地处理它们。具有不同激活分布的特征图随后被分别处理以考虑特征独立性。最终,根据所提正则化,CNN被引导分层学习更丰富的判别特征以实现鲁棒分类。我们的方法在多种设置下进行了综合评估,包括抗 corruption、对抗攻击和低数据量场景。大量实验结果表明,与最先进方法相比,所提方法在鲁棒性和泛化性能方面均取得显著提升。代码发布于 https://github.com/LinusWu/TENET_Training。
引用
@article{arxiv.2103.02152,
title = {Group-wise Inhibition based Feature Regularization for Robust Classification},
author = {Haozhe Liu and Haoqian Wu and Weicheng Xie and Feng Liu and Linlin Shen},
journal= {arXiv preprint arXiv:2103.02152},
year = {2021}
}
备注
Accepted to ICCV 2021