通过稳定性训练提升深度神经网络的鲁棒性
计算机视觉与模式识别
2016-04-18 v1 机器学习
摘要
本文中，我们解决深度神经网络输出不稳定性问题：视觉输入中的微小扰动会显著扭曲神经网络的特征嵌入与输出。此类不稳定性影响着许多在广泛计算机视觉任务上具有最先进性能的深层架构。我们提出一种通用的稳定性训练方法，以稳定深度网络抵御由各类常见图像处理（如压缩、重缩放和裁剪）引起的微小输入失真。我们通过稳定最先进的Inception架构以对抗这些类型的失真来验证我们的方法。此外，我们展示我们的稳定化模型在大规模近重复检测、相似图像排序以及噪声数据集上的分类任务中给出了鲁棒的最先进性能。
引用
@article{arxiv.1604.04326,
title = {Improving the Robustness of Deep Neural Networks via Stability Training},
author = {Stephan Zheng and Yang Song and Thomas Leung and Ian Goodfellow},
journal= {arXiv preprint arXiv:1604.04326},
year = {2016}
}
备注
Published in CVPR 2016