LayerMix：通过分形集成增强数据 augmentation 以实现鲁棒深度学习
计算机视觉与模式识别
2025-01-14 v2
摘要
深度学习模型在各种计算机视觉任务中展现出了卓越的性能，但其对分布偏移的脆弱性仍然是一个关键挑战。尽管神经网络架构日益复杂，现有模型在面临分布外（OOD）样本（包括自然损坏、对抗扰动和异常模式）时，往往难以保持一致的性能。我们引入了 LayerMix，这是一种创新的数据增强方法，通过基于分形的结构化图像合成系统地提升模型鲁棒性。通过将结构复杂性精心整合到训练数据集中，我们的方法生成了语义一致的合成样本，显著提升了神经网络的泛化能力。与依赖随机变换的传统增强技术不同，LayerMix 采用结构化的混合流水线，在引入受控变异性的同时保留原始图像语义。在多个基准数据集（包括 CIFAR-10、CIFAR-100、ImageNet-200 和 ImageNet-1K）上的大量实验表明，LayerMix 在分类准确率上表现卓越，并显著提升了关键的机器学习（ML）安全指标，包括对自然图像损坏的抵抗力、抵御对抗攻击的鲁棒性、改进的模型校准以及增强的预测一致性。LayerMix 通过解决深度学习泛化的根本挑战，代表了迈向开发更可靠、更具适应性的人工智能系统的重要进展。代码可在 https://github.com/ahmadmughees/layermix 获取。
引用
@article{arxiv.2501.04861,
title = {LayerMix: Enhanced Data Augmentation through Fractal Integration for Robust Deep Learning},
author = {Hafiz Mughees Ahmad and Dario Morle and Afshin Rahimi},
journal= {arXiv preprint arXiv:2501.04861},
year = {2025}
}