光照与阴影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 v1 人工智能
摘要
深度神经网络（DNNs）在包括图像分类、分割和物体检测在内的各种计算机视觉任务中取得了显著进展。然而，近期研究揭示了先进DNNs在面对输入数据蓄意操控（即对抗攻击）时的脆弱性。此外，DNNs的准确率深受训练数据集分布的影响。输入图像色彩空间中的失真或扰动会引入分布外数据，导致误分类。在本工作中，我们提出一个亮度变化数据集，该数据集对ImageNet的一个子集中的每幅图像纳入24个不同的亮度级别。该数据集使我们能够模拟光照与阴影对图像的影响，从而研究光照与阴影对DNNs性能的影响。在我们的研究中，我们使用若干最先进的DNN架构在上述数据集上进行实验。通过我们的分析，我们发现亮度级别与DNNs准确率下降之间存在显著的正相关。此外，我们使用ResNet50架构在我们的亮度变化数据集上评估了近期提出的鲁棒训练技术与策略的有效性，包括AugMix、Revisit和Free Normalizer。我们的实验结果表明，这些技术能够增强DNNs对亮度变化的鲁棒性，从而在处理具有不同亮度级别的图像时提升性能。
引用
@article{arxiv.2305.14165,
title = {Impact of Light and Shadow on Robustness of Deep Neural Networks},
author = {Chengyin Hu and Weiwen Shi and Chao Li and Jialiang Sun and Donghua Wang and Junqi Wu and Guijian Tang},
journal= {arXiv preprint arXiv:2305.14165},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2209.02832, arXiv:2209.02132