还有什么能欺骗深度学习？应对色彩恒常性误差对深度神经网络性能的影响
计算机视觉与模式识别
2019-12-17 v1
摘要
目前有活跃的研究针对局部图像操纵，以欺骗深度神经网络（DNN）产生错误结果。本文研究了一类可产生类似负面影响的全局图像操纵。具体而言，我们探究了由错误应用的计算色彩恒常性（在摄影中称为白平衡（WB））所引起的强色彩偏差，如何对面向图像分割与分类的 DNN 性能产生负面影响。此外，我们讨论了现有用于提升 DNN 鲁棒性的图像增强方法并不适合建模 WB 误差。为解决该问题，提出了一种能够模拟准确色彩恒常性退化的新型增强方法。我们还探索使用一种近期提出的 WB 校正算法对训练与测试图像进行预处理，以减小错误白平衡图像的影响。我们在不同数据集上考察了增强与预处理策略，并在 CIFAR-10、CIFAR-100 和 ADE20K 数据集上展示了显著改进。
引用
@article{arxiv.1912.06960,
title = {What Else Can Fool Deep Learning? Addressing Color Constancy Errors on Deep Neural Network Performance},
author = {Mahmoud Afifi and Michael S Brown},
journal= {arXiv preprint arXiv:1912.06960},
year = {2019}
}
备注
ICCV 2019