HybridAugment++：用于模型鲁棒性的统一频谱扰动
计算机视觉与模式识别
2023-07-25 v1 人工智能
摘要
卷积神经网络（CNN）已知在分布偏移下表现出较差的泛化性能。它们的泛化已被广泛研究，其中一系列工作从以频率为中心的视角探讨该问题。这些研究强调人类与CNN可能关注图像的不同频率分量。首先，受这些观察启发，我们提出一种简单而有效的数据增强方法HybridAugment，它减少了CNN对高频分量的依赖，从而在其保持高干净准确率的同时改善鲁棒性。其次，我们提出HybridAugment++，这是一种试图统一各种频谱增强的分层增强方法。HybridAugment++构建于HybridAugment之上，还减少了CNN对图像幅度分量的依赖，转而促进相位信息。这一统一在干净准确率（CIFAR-10/100和ImageNet）、 corruption基准（ImageNet-C、CIFAR-10-C和CIFAR-100-C）、CIFAR-10上的对抗鲁棒性以及各数据集上的分布外检测方面，取得了具竞争力或优于SOTA的结果。HybridAugment与HybridAugment++仅用几行代码实现，不需要额外数据、集成模型或附加网络。
引用
@article{arxiv.2307.11823,
title = {HybridAugment++: Unified Frequency Spectra Perturbations for Model Robustness},
author = {Mehmet Kerim Yucel and Ramazan Gokberk Cinbis and Pinar Duygulu},
journal= {arXiv preprint arXiv:2307.11823},
year = {2023}
}
备注
Accepted to ICCV 2023