面向鲁棒 CNN 分类的意图式注意力掩码变换
计算机视觉与模式识别
2019-05-22 v2 人工智能
摘要
卷积神经网络已在各类任务中取得令人印象深刻的成果，但解释其内部机制仍是一个具有挑战性的问题。为解决该问题，我们利用特征空间中的多通道注意力机制。我们的网络架构允许我们为每一特征获取注意力掩码，而现有的 CNN 可视化方法仅提供所有特征的公共注意力掩码。我们将提出的多通道注意力机制应用于多属性识别任务。我们可以为每个特征和每个属性获得不同的注意力掩码。这些分析使我们深入洞察 CNN 的特征空间。此外，我们提出的注意力机制自然导出一种提升 CNN 鲁棒性的方法。基于所提注意力掩码对特征空间的观察，我们证明可通过有意强调对属性重要的特征来获得鲁棒 CNN。基准数据集上的实验结果表明，所提方法在准确捕捉数据属性的同时具有较高的人类可解释性，并提升了网络鲁棒性。
引用
@article{arxiv.1905.02719,
title = {Intentional Attention Mask Transformation for Robust CNN Classification},
author = {Masanari Kimura and Masayuki Tanaka},
journal= {arXiv preprint arXiv:1905.02719},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.13078