SegMix：面向语义分割与对抗鲁棒性的共现驱动混合方法
计算机视觉与模式识别
2021-08-24 v1
摘要
在本文中，我们提出了一种训练卷积神经网络的策略，以有效解决整个网络中由类别间信息产生的竞争性假设所引起的干扰。其前提基于特征绑定（feature binding）的概念，即网络中跨空间和层传播的激活被成功整合以得出正确推理决策的过程。在我们的工作中，这通过基于（i）类别聚类或（ii）类别共现似然来混合图像，从而完成密集图像标注任务。然后，我们训练一个特征绑定网络，该网络同时分割并分离混合图像。随后的特征去噪以抑制噪声激活，揭示了额外的理想属性和高成功预测率。通过这一过程，我们揭示了一种不同于任何先前方法的通用机制，该机制能提升基础分割和显著性网络的性能，同时增强对对抗攻击的鲁棒性。
引用
@article{arxiv.2108.09929,
title = {SegMix: Co-occurrence Driven Mixup for Semantic Segmentation and Adversarial Robustness},
author = {Md Amirul Islam and Matthew Kowal and Konstantinos G. Derpanis and Neil D. B. Bruce},
journal= {arXiv preprint arXiv:2108.09929},
year = {2021}
}
备注
Under submission at IJCV (BMVC 2020 Extension). arXiv admin note: substantial text overlap with arXiv:2008.05667