基于低通激活函数与DCT增强的鲁棒图像分类
计算机视觉与模式识别
2021-06-22 v2
摘要
卷积神经网络（CNN）在干净数据集与 corrupted 数据集上的性能差异近来受到审视。本文中，我们在频域分析常见 corruptions，即高频 corruptions（HFc，如噪声）与低频 corruptions（LFc，如模糊）。尽管针对HFc的简单方案是低通滤波，但广泛使用的激活函数（AF）ReLU没有任何滤波机制。本文中，我们将低通滤波注入AF（LP-ReLU）以提升对HFc的鲁棒性。为应对LFc，我们用基于离散余弦变换的增强来补充LP-ReLU。LP-ReLU结合DCT增强，使深度网络能够处理全频谱的 corruption。我们使用CIFAR-10-C与Tiny ImageNet-C进行评估，相比最先进方法（SOTA）分别取得了5%与7.3%的准确率提升。我们进一步在CIFAR-10-P与Tiny ImageNet-P的多种扰动下评估了方法的稳定性，并在这些实验中同样达到新的SOTA。为加深对CNN缺乏鲁棒性的理解，本文提出并展示了一种决策空间可视化过程。
引用
@article{arxiv.2007.09453,
title = {Robust Image Classification Using A Low-Pass Activation Function and DCT Augmentation},
author = {Md Tahmid Hossain and Shyh Wei Teng and Ferdous Sohel and Guojun Lu},
journal= {arXiv preprint arXiv:2007.09453},
year = {2021}
}