PartImageNet++ 数据集：扩展基于部件的模型以实现稳健识别
计算机视觉与模式识别
2024-07-16 v1
摘要
深度学习基于的对象识别系统容易被各种对抗性扰动所误导。其弱鲁棒性的原因之一可能是缺乏类似人类识别过程中所具有的部件基于的归纳偏置。为此，提出了若干基于部件的识别模型以提高识别的对抗鲁棒性。然而，由于缺乏部件标注，这些方法的有效性仅在小规模非标准数据集上得到验证。在本工作中，我们提出了PIN++，即PartImageNet++，为ImageNet-1K中所有类别提供高质量的部件分割标注。通过这些标注，我们在标准IN-1K数据集上直接构建基于部件的方法以实现稳健识别。不同于以往的两阶段部件模型，我们提出了多尺度部件监督模型（MPM），以学习鲁棒表征。实验表明，MPM在各种攻击设置下的大规模IN-1K数据集上实现了更好的对抗鲁棒性。此外，MPM在常见损坏和多个分布外数据集上也实现了改进的鲁棒性。该数据集及这些结果为在更实际的应用中探索部件模型的潜力提供了支持。
引用
@article{arxiv.2407.10918,
title = {PartImageNet++ Dataset: Scaling up Part-based Models for Robust Recognition},
author = {Xiao Li and Yining Liu and Na Dong and Sitian Qin and Xiaolin Hu},
journal= {arXiv preprint arXiv:2407.10918},
year = {2024}
}
备注
Accepted by ECCV2024