深度卷积网络对傅里叶基函数方向的structural敏感性
计算机视觉与模式识别
2019-04-19 v2
摘要
已知对输入的数据无关准不可感知扰动会严重降低深度卷积网络的识别准确率。该现象被视为潜在安全问题。此外，一些统计泛化保证的结果表明，该现象可能是提升网络泛化的关键。然而，此类有害扰动的共享方向特征仍属未知。我们的首要发现是卷积网络对傅里叶基函数的方向敏感。我们将已知称为神经网络线性的敏感性成因假设专门化至卷积网络，并据此推导该性质且经实验验证。作为分析的副产品，我们提出一种在黑盒设定下可用的平移不变通用对抗扰动生成算法。
引用
@article{arxiv.1809.04098,
title = {On the Structural Sensitivity of Deep Convolutional Networks to the Directions of Fourier Basis Functions},
author = {Yusuke Tsuzuku and Issei Sato},
journal= {arXiv preprint arXiv:1809.04098},
year = {2019}
}
备注
CVPR 2019