IPMix：用于训练鲁棒分类器的保标签数据增强方法
计算机视觉与模式识别
2024-03-14 v7
摘要
数据增强已被证明可通过防止过拟合来有效训练高准确率卷积神经网络分类器。然而，在真实场景中构建深度神经网络不仅需要干净数据上的高准确率，还需要在数据分布偏移时具备鲁棒性。尽管已有方法提出准确率与鲁棒性之间存在权衡，我们提出 IPMix，一种简单的数据增强方法，可在不损害干净准确率的前提下提升鲁棒性。IPMix 将三个层次的数据增强（图像级、块级和像素级）整合为一种连贯且保标签的技术，以有限计算开销增加训练数据多样性。为进一步提升鲁棒性，IPMix 在不同层次引入结构复杂性以生成更多样图像，并采用随机混合方法实现多尺度信息融合。实验表明，IPMix 在 CIFAR-C 和 ImageNet-C 上优于最先进的腐蚀鲁棒性方法。此外，我们展示了 IPMix 还显著改善了其他安全性度量，包括对对抗扰动、校准、预测一致性和异常检测的鲁棒性，在包括 ImageNet-R、ImageNet-A 和 ImageNet-O 在内的多个基准上取得最先进或可比结果。
引用
@article{arxiv.2310.04780,
title = {IPMix: Label-Preserving Data Augmentation Method for Training Robust Classifiers},
author = {Zhenglin Huang and Xiaoan Bao and Na Zhang and Qingqi Zhang and Xiaomei Tu and Biao Wu and Xi Yang},
journal= {arXiv preprint arXiv:2310.04780},
year = {2024}
}
备注
NeurIPS 2023