Top-GAP：将尺寸先验集成到 CNN 中以提高可解释性、鲁棒性和偏差缓解
计算机视觉与模式识别
2024-09-10 v1 人工智能
摘要
本文介绍 Top-GAP，这是一种新型正则化技术，旨在增强卷积神经网络的可解释性和鲁棒性。通过约束所学特征表示的空间尺寸，我们的方法迫使网络聚焦于最显著的图像区域，有效减少背景影响。使用对抗攻击和有效感受野，我们展示 Top-GAP 更多地关注对象像素而非背景。这导致可解释性和鲁棒性的提升。在保持原始干净准确率的前提下，我们在 CIFAR-10 上以 PGD 和 次迭代实现了超过 50% 的鲁棒准确率。此外，我们针对分布迁移的准确率提高了最高可达 5%。我们的方法还产生更精确的对象局部化，与 GradCAM 和 Recipro-CAM 等方法相比，交并比（IOU）提高了最高可达 25%。
引用
@article{arxiv.2409.04819,
title = {Top-GAP: Integrating Size Priors in CNNs for more Interpretability, Robustness, and Bias Mitigation},
author = {Lars Nieradzik and Henrike Stephani and Janis Keuper},
journal= {arXiv preprint arXiv:2409.04819},
year = {2024}
}
备注
eXCV Workshop at ECCV 2024