使用深度典型相关分析神经数据正则化器提升CNN的准确率与鲁棒性
计算机视觉与模式识别
2022-09-07 v1 机器学习
神经与进化计算
神经元与认知
摘要
随着卷积神经网络（CNN）在物体识别上变得愈发准确，其表征也愈发类似于灵长类视觉系统。这一发现启发了我们及其他研究者去追问其逆命题是否成立：若CNN表征变得更像大脑，网络是否会变得更准确？先前解决该问题的尝试仅显示出极微小的准确率提升，部分归因于正则化方法的局限。为克服这些局限，我们为CNN开发了一种新的神经数据正则化器，其使用深度典型相关分析（DCCA）来优化CNN图像表征与猴视觉皮层的相似度。相较于先前最先进的神经数据正则化器，使用这一新正则化器后，我们在分类准确率和超类内准确率上均观察到更大的性能提升。这些网络对其未正则化对应网络而言，也对对抗攻击更具鲁棒性。总之，这些结果证实了神经数据正则化能够进一步推动CNN性能提升，并引入了一种能获得更大性能增益的新方法。
引用
@article{arxiv.2209.02582,
title = {Improving the Accuracy and Robustness of CNNs Using a Deep CCA Neural Data Regularizer},
author = {Cassidy Pirlot and Richard C. Gerum and Cory Efird and Joel Zylberberg and Alona Fyshe},
journal= {arXiv preprint arXiv:2209.02582},
year = {2022}
}