RAIN：一种用于鲁棒且准确图像分类网络的简单方法
密码学与安全
2020-11-05 v4 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
已有研究表明，大多数现有的对抗防御方法以牺牲预测准确率为代价来实现鲁棒性。准确率的严重下降不利于机器学习算法的可靠性，并阻碍其在现实应用中的部署。本文旨在通过提出一种新颖的预处理框架来解决这一困境，我们称之为鲁棒且准确的图像分类（Robust and Accurate Image classificatioN，RAIN），以改进给定 CNN 分类器的鲁棒性，同时保持其高预测准确率。RAIN 引入了一种新的随机化增强方案。它在输入上施加随机化以打破模型前向预测路径与后向梯度路径之间的联系，从而提升模型鲁棒性。然而，与现有的基于预处理的方法类似，随机化过程会降低预测准确率。为理解其原因，我们比较了原始图像与处理后图像的差异，发现是输入图像中高频分量的丢失导致了分类器准确率下降。基于这一发现，RAIN 增强输入的高频细节以保留 CNN 的高预测准确率。具体而言，RAIN 由两个新颖的随机化模块组成：随机小圆周平移（RdmSCS）与随机下采样-上采样（RdmDU）。RdmDU 模块对输入图像随机下采样，随后 RdmSCS 模块沿随机选定方向将输入图像圆周平移少量但随机的像素数。最后，RdmDU 模块使用细节增强模型（如深度超分辨率网络）进行上采样。我们在 STL10 与 ImageNet 数据集上进行了大量实验，以验证 RAIN 针对各类对抗攻击的有效性。
引用
@article{arxiv.2004.14798,
title = {RAIN: A Simple Approach for Robust and Accurate Image Classification Networks},
author = {Jiawei Du and Hanshu Yan and Vincent Y. F. Tan and Joey Tianyi Zhou and Rick Siow Mong Goh and Jiashi Feng},
journal= {arXiv preprint arXiv:2004.14798},
year = {2020}
}