像素到二值嵌入：面向CNN的鲁棒性
计算机视觉与模式识别
2022-06-14 v1 机器学习
摘要
卷积神经网络（CNN）的鲁棒性存在若干问题。例如，向输入添加小幅度噪声即可改变CNN的预测，且当输入分布因训练时未见过的变换（如模糊效应）而发生偏移时，CNN的性能会下降。已有方法用二值嵌入替换像素值以应对对抗扰动问题，并成功提升了鲁棒性。在本工作中，我们提出像素到二值嵌入（P2BE）以改进CNN的鲁棒性。与以往手工编码的二值嵌入方法不同，P2BE是一种可学习的二值嵌入方法。P2BE在针对对抗扰动和训练时未出现的视觉损坏的鲁棒性上优于其他二值嵌入方法。
引用
@article{arxiv.2206.05898,
title = {Pixel to Binary Embedding Towards Robustness for CNNs},
author = {Ikki Kishida and Hideki Nakayama},
journal= {arXiv preprint arXiv:2206.05898},
year = {2022}
}
备注
Accepted to ICPR2022