通过生成对抗训练实现鲁棒性与泛化
计算机视觉与模式识别
2021-09-08 v1 密码学与安全
机器学习
摘要
尽管深度神经网络在各种计算机视觉任务中取得了显著成功，它们往往无法泛化到新域以及输入图像的细微变化。已有若干防御方法被提出以改善针对这些变化的鲁棒性。然而，当前的防御只能承受训练中使用的特定攻击，模型通常仍易受其他输入变化的影响。此外，这些方法常会降低模型在干净图像上的性能，且不能泛化到域外样本。本文提出生成对抗训练，一种同时改善模型在测试集与域外样本上泛化能力以及其对未见对抗攻击鲁棒性的方法。我们并非改变图像的低层预定义属性，而是利用具有解耦隐空间的生成模型产生低层、中层与高层的变更谱。使用这些样本进行对抗训练使模型能在训练期间观察到多种输入改变，从而抵御广泛的攻击。我们表明，我们的方法不仅提升了模型在干净图像与域外样本上的性能，还使其对未知攻击具有鲁棒性，并优于先前工作。我们通过在分类、分割与物体检测等多种任务上展示结果来验证方法的有效性。
引用
@article{arxiv.2109.02765,
title = {Robustness and Generalization via Generative Adversarial Training},
author = {Omid Poursaeed and Tianxing Jiang and Harry Yang and Serge Belongie and SerNam Lim},
journal= {arXiv preprint arXiv:2109.02765},
year = {2021}
}
备注
ICCV 2021. arXiv admin note: substantial text overlap with arXiv:1911.09058