缩放图像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
摘要
深度神经网络（DNNs）已广泛应用于图像分类、目标检测和分割等计算机视觉任务。然而近期研究表明它们易受输入图像中人工数字扰动或失真的影响。网络的精度受其训练数据集数据分布的显著影响。对原始图像进行缩放会产生分布外数据，这使其成为愚弄网络的一种可能对抗攻击。在本工作中，我们通过按不同倍数缩放ImageNet Challenge数据集的一个子集，提出了缩放失真数据集ImageNet-CS。我们工作的目的是研究缩放图像对先进DNNs性能的影响。我们在所提出的ImageNet-CS上对几种最先进的深度神经网络架构进行了实验，结果显示缩放尺寸与精度下降之间存在显著正相关。此外，基于ResNet50架构，我们在提出的ImageNet-CS上展示了近期提出的鲁棒训练技术和策略（如Augmix、Revisiting和Normalizer Free）性能的一些测试。实验结果表明这些鲁棒训练技术能够提升网络对缩放变换的鲁棒性。
引用
@article{arxiv.2209.02132,
title = {Impact of Scaled Image on Robustness of Deep Neural Networks},
author = {Chengyin Hu and Weiwen Shi},
journal= {arXiv preprint arXiv:2209.02132},
year = {2023}
}