通过选择性 CNN 滤波器微调提升图像分类鲁棒性
计算机视觉与模式识别
2019-06-04 v1 机器学习
摘要
图像质量在基于 CNN 的图像分类性能中起着重要作用。用失真样本微调网络对于大型网络可能代价过高。为解决此问题，我们提出一种迁移学习方法，其优化时考虑到在 CNN 的每一层中某些滤波器比其他滤波器更易受图像失真影响。我们的方法识别最易受影响滤波器，并仅对干净图像与失真图像间激活图距离最大的滤波器进行重训练。使用 Borda 计数选举法对滤波器排序，然后仅微调受影响最大的滤波器。这显著减少了需重训练的参数数量。我们在 CIFAR-10 和 CIFAR-100 数据集上评估该方法，在两个不同模型和两种不同失真类型上测试。结果表明，所提迁移学习技术恢复了因输入数据失真而损失的大部分性能，且由于需微调的参数减少，相比现有方法速度明显更快。当提供少量含噪样本用于训练时，我们的滤波器级微调表现尤为出色，也优于最先进的层级迁移学习方法。
引用
@article{arxiv.1904.03949,
title = {Improving Image Classification Robustness through Selective CNN-Filters Fine-Tuning},
author = {Alessandro Bianchi and Moreno Raimondo Vendra and Pavlos Protopapas and Marco Brambilla},
journal= {arXiv preprint arXiv:1904.03949},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1705.02406 by other authors