人类不确定性使分类更具鲁棒性
计算机视觉与模式识别
2019-08-21 v1
摘要
深度神经网络的分类性能已开始渐近至近乎完美的水平。然而其训练集外的泛化能力以及对对抗攻击的鲁棒性却并未如此。在本文中，我们通过使用反映人类感知不确定性的完整标签分布进行训练，在该问题上取得进展。我们首先提出一个名为 CIFAR10H 的新基准数据集，包含 CIFAR10 测试集中每幅图像的人类标签完整分布。然后我们表明，尽管当代分类器自身无法展现类人的不确定性，但在我们的数据集上显式训练可缩小这一差距，支持对愈发偏离训练分布的测试数据集的改进泛化，并赋予对对抗攻击的鲁棒性。
引用
@article{arxiv.1908.07086,
title = {Human uncertainty makes classification more robust},
author = {Joshua C. Peterson and Ruairidh M. Battleday and Thomas L. Griffiths and Olga Russakovsky},
journal= {arXiv preprint arXiv:1908.07086},
year = {2019}
}
备注
In Proceedings of the 2019 IEEE International Conference on Computer Vision (ICCV)