PRIME：少量基元即可提升对常见 corruptions 的鲁棒性
计算机视觉与模式识别
2022-08-09 v2 机器学习
摘要
尽管深度网络在图像分类任务上表现优异，却难以推广到其数据未预见的损坏。为修复此弱点，先前工作构建了复杂的数据增强策略，结合多种方法以丰富训练数据。然而，引入精细的设计选择或启发式规则使得难以理解这些方法中哪些要素确实对提升鲁棒性至关重要。本工作中，我们退一步并遵循原则性方法以实现对常见损坏的鲁棒性。我们提出PRIME，一种依赖简单而丰富的极大熵图像变换族的一般数据增强方案。PRIME在损坏鲁棒性上优于已有最优方法，且其简洁性与即插即用特性使其能够与其他方法结合以进一步提升鲁棒性。我们分析PRIME以阐明混合策略在合成损坏图像上的重要性，并揭示常见损坏背景下出现的鲁棒性-准确率权衡。最后，我们表明本方法的计算效率使其易于用于在线与离线数据增强方案。
引用
@article{arxiv.2112.13547,
title = {PRIME: A few primitives can boost robustness to common corruptions},
author = {Apostolos Modas and Rahul Rade and Guillermo Ortiz-Jiménez and Seyed-Mohsen Moosavi-Dezfooli and Pascal Frossard},
journal= {arXiv preprint arXiv:2112.13547},
year = {2022}
}
备注
Code available at: https://github.com/amodas/PRIME-augmentations