颜色变化对深度神经网络鲁棒性的影响
计算机视觉与模式识别
2023-05-24 v2 机器学习
图像与视频处理
摘要
深度神经网络 (DNNs) 在图像分类、分割和目标检测等计算机视觉应用中展现了 SOTA 的性能。然而，最近的进展表明它们对输入数据中的人工数字扰动（即对抗攻击）具有脆弱性。网络的准确性受其训练数据集的数据分布影响显著。输入图像颜色空间上的失真或扰动会生成分布外数据，使网络更容易将其误分类。在这项工作中，我们通过在 ImageNet 的一个子集上以 27 种不同组合扭曲其 RGB 颜色，提出了一个颜色变化数据集。我们工作的目的是研究颜色变化对 DNN 性能的影响。我们在提出的数据集上对几种 SOTA DNN 架构进行了实验，结果显示颜色变化与准确率下降之间存在显著的相关性。此外，基于 ResNet50 架构，我们在我们提出的数据集上展示了最近提出的鲁棒训练技术和策略（如 Augmix、revisit 和 free normalizer）的性能实验。实验结果表明，这些鲁棒训练技术可以提高深度网络对颜色变化的鲁棒性。
引用
@article{arxiv.2209.02832,
title = {Impact of Colour Variation on Robustness of Deep Neural Networks},
author = {Chengyin Hu and Weiwen Shi},
journal= {arXiv preprint arXiv:2209.02832},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2209.02132