面向可靠视觉识别的鲁棒二维卷积设计
计算机视觉与模式识别
2022-03-21 v1
摘要
二维卷积（Conv2d）负责从输入图像中提取特征，是卷积神经网络（CNN）的关键模块之一。然而，Conv2d 易受图像损坏与对抗样本的影响。我们能否设计一种更鲁棒的 Conv2d 替代方案以实现更可靠的特征提取，这是一个重要却鲜有研究的问题。本文受近期提出的可学习稀疏变换（其将 CNN 特征转换为紧凑稀疏潜空间）启发，设计了一种新颖的构建模块，记为 RConv-MK，以增强所提取卷积特征的鲁棒性。我们的方法利用一组不同尺寸的可学习核在不同频率提取特征，并采用归一化软阈值算子在不同损坏程度下自适应去除噪声与琐碎特征。在干净图像、损坏图像及对抗样本上的大量实验验证了所提鲁棒模块在可靠视觉识别中的有效性。源代码已随投稿附上。
引用
@article{arxiv.2203.09790,
title = {Towards Robust 2D Convolution for Reliable Visual Recognition},
author = {Lida Li and Shuai Li and Kun Wang and Xiangchu Feng and Lei Zhang},
journal= {arXiv preprint arXiv:2203.09790},
year = {2022}
}