纹理偏置与形状偏置模型的通用对抗鲁棒性
计算机视觉与模式识别
2021-09-01 v4
摘要
在深度神经网络中增加形状偏置已被证明能够提升对常见 corruptions 和噪声的鲁棒性。本文中，我们分析了纹理偏置与形状偏置模型对通用对抗扰动（UAPs）的对抗鲁棒性。我们利用 UAPs 来评估具有不同程度基于形状训练的深度神经网络（DNN）模型的鲁棒性。我们发现形状偏置模型并未显著改善对抗鲁棒性，并且我们展示了纹理偏置与形状偏置模型的集成可以在保持强劲性能的同时改善通用对抗鲁棒性。
引用
@article{arxiv.1911.10364,
title = {Universal Adversarial Robustness of Texture and Shape-Biased Models},
author = {Kenneth T. Co and Luis Muñoz-González and Leslie Kanthan and Ben Glocker and Emil C. Lupu},
journal= {arXiv preprint arXiv:1911.10364},
year = {2021}
}
备注
In Proceedings of the 28th IEEE International Conference on Image Processing (ICIP 2021), code available at: https://github.com/kenny-co/sgd-uap-torch