频率方法与对比学习正则化：促进CNN中的形状偏置以提高抗损坏鲁棒性
计算机视觉与模式识别
2025-09-16 v1 人工智能
摘要
卷积神经网络(CNN)在图像分类任务中表现出色，但面临人类轻易应对的常见损坏，仍然十分脆弱。其脆弱性的关键原因在于依赖局部纹理线索，而非全局物体形状——这与人类感知形成鲜明对比。为此，我们提出两种互补的正则化策略，旨在鼓励形状偏置的表征并提升鲁棒性。第一方法引入辅助损失，强制原始输入与低频滤波输入之间的特征一致性，抑制对高频纹理的依赖。第二方法则融入监督对比学习，将特征空间结构化，围绕与类别一致、与形状相关的表征。两者在CIFAR-10-C基准上均取得改善，未损害干净数据准确率。我们的实验表明，损失水平的正则化可有效引导CNN向更具形状意识、更具韧性的表征迈进。
引用
@article{arxiv.2509.11355,
title = {Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness},
author = {Robin Narsingh Ranabhat and Longwei Wang and Amit Kumar Patel and KC santosh},
journal= {arXiv preprint arXiv:2509.11355},
year = {2025}
}
备注
12pages, 4 figures