利用数据增强不变性学习鲁棒视觉表征
计算机视觉与模式识别
2019-06-12 v1 机器学习
摘要
针对图像物体分类训练的深度卷积神经网络，其表征与灵长类腹侧视觉通路中发现的表征表现出显著相似性。然而，人工网络与生物网络之间仍存在重要差异。本文研究了其中一个特性：沿腹侧通路发现的、对保持身份的图像变换日益增强的不变性。尽管有理论证据表明不变性应从优化过程中自然涌现，我们提供的经验证据表明，为物体分类训练的卷积神经网络的激活对数据增强中常用的保持身份的图像变换并不鲁棒。作为解决方案，我们提出了数据增强不变性，这是一种无监督学习目标，通过促进增强图像样本激活之间的相似性来提高所学表征的鲁棒性。我们的结果表明，该方法是一种简单、有效且高效（训练时间增加10%）的提升模型不变性的方式，同时获得相似的分类性能。
引用
@article{arxiv.1906.04547,
title = {Learning robust visual representations using data augmentation invariance},
author = {Alex Hernández-García and Peter König and Tim C. Kietzmann},
journal= {arXiv preprint arXiv:1906.04547},
year = {2019}
}
备注
6 pages, 2 figures, work in progress