迈向鲁棒图像分类
计算机视觉与模式识别
2019-10-01 v1 机器学习
图像与视频处理
摘要
神经网络常用于图像分类，但可能易受对抗图像引起的误分类影响。使神经网络图像分类更鲁棒的尝试包括预处理变体（裁剪、加噪、模糊）、对抗训练和丢弃随机化。本文中，我们基于其中两种技术组合实现了一种对抗检测模型：丢弃随机化与在给定贝叶斯不确定性下对图像应用预处理。我们在 MNIST 数据集上评估了我们的模型，使用快速梯度符号法（FGSM）、基于雅可比显著图攻击（JSMA）和基本迭代法（BIM）攻击生成的对抗图像。我们的模型实现了 97% 的平均对抗图像检测准确率，在丢弃被标记为对抗的图像后，平均图像分类准确率为 99%。我们的平均检测准确率超过了近期使用类似技术的论文。
引用
@article{arxiv.1909.12927,
title = {Toward Robust Image Classification},
author = {Basemah Alshemali and Alta Graham and Jugal Kalita},
journal= {arXiv preprint arXiv:1909.12927},
year = {2019}
}
备注
2019 Intelligent Systems Conference, pp 483-489