权重扰动深度神经网络研究及其在虹膜呈现攻击检测中的应用
计算机视觉与模式识别
2023-11-23 v2
摘要
深度神经网络(DNNs)在各种机器学习任务中表现出优越性能，例如图像分类、语音识别、生物特征识别、目标检测等。然而，在将其部署于真实应用前，分析其对参数扰动的敏感性至关重要。本工作中，我们评估DNNs对其权重与偏置参数扰动的敏感性。敏感性分析涉及三种DNN架构(VGG、ResNet和DenseNet)、三类参数扰动(高斯噪声、权重置零与权重缩放)以及两种设置(整个网络与逐层)。我们在虹膜呈现攻击检测背景下进行实验，并在两个公开数据集LivDet-Iris-2017与LivDet-Iris-2020上评估。基于敏感性分析，我们仅通过扰动网络参数而不进行训练即提出改进模型。我们进一步在分数级与参数级组合这些扰动模型，以超越原始模型性能。参数级集成在LivDet-Iris-2017数据集上平均提升43.58%，在LivDet-Iris-2020上平均提升9.25%。源代码可在 https://github.com/redwankarimsony/WeightPerturbation-MSU 获取。
引用
@article{arxiv.2311.12764,
title = {Investigating Weight-Perturbed Deep Neural Networks With Application in Iris Presentation Attack Detection},
author = {Renu Sharma and Redwan Sony and Arun Ross},
journal= {arXiv preprint arXiv:2311.12764},
year = {2023}
}