通过基于频率的数据增强提升对分布外数据的鲁棒性
计算机视觉与模式识别
2022-09-07 v1
摘要
尽管卷积神经网络（CNN）在图像识别中具有高准确率，但它们易受对抗样本和分布外数据的影响，并且与人类识别的差异已被指出。为提升对分布外数据的鲁棒性，我们提出一种基于频率的数据增强技术，将频率分量替换为同类别的其他图像。当训练数据为CIFAR10且分布外数据为SVHN时，采用所提方法训练的模型的接收者操作特征曲线下面积（AUROC）从89.22%提升至98.15%，并与另一种数据增强方法结合时进一步提升至98.59%。此外，我们通过实验证明，对分布外数据具有鲁棒性的模型大量使用了图像的高频分量。
引用
@article{arxiv.2209.02369,
title = {Improving Robustness to Out-of-Distribution Data by Frequency-based Augmentation},
author = {Koki Mukai and Soichiro Kumano and Toshihiko Yamasaki},
journal= {arXiv preprint arXiv:2209.02369},
year = {2022}
}
备注
ICIP 2022