基于部件的模型提升对抗鲁棒性
计算机视觉与模式识别
2023-03-10 v2 密码学与安全
机器学习
摘要
我们表明，将人类先验知识与端到端学习相结合，可通过引入一种用于物体分类的基于部件的模型来提升深度神经网络的鲁棒性。我们认为，更丰富的标注形式有助于引导神经网络学习更鲁棒的特征，而无需更多样本或更大模型。我们的模型将部件分割模型与一个微型分类器结合，并以端到端方式训练，同时分割物体为部件并随后对分割后物体分类。实证上，我们的基于部件的模型在全部三个数据集上均取得比 ResNet-50 基线更高的准确率与更高的对抗鲁棒性。例如，在同等鲁棒性水平下，我们部件模型的干净准确率比基线高出至多 15 个百分点。我们的实验表明，这些模型还降低了纹理偏置，并对常见腐蚀与伪相关具备更好鲁棒性。代码公开于 https://github.com/chawins/adv-part-model。
引用
@article{arxiv.2209.09117,
title = {Part-Based Models Improve Adversarial Robustness},
author = {Chawin Sitawarin and Kornrapat Pongmala and Yizheng Chen and Nicholas Carlini and David Wagner},
journal= {arXiv preprint arXiv:2209.09117},
year = {2023}
}
备注
Published in ICLR 2023 (poster). Code can be found at https://github.com/chawins/adv-part-model