通过协变量转移适应性提高对常见数据损坏的稳健性
本研究中,我们将深度神经网络中的几项统计学指标变换为适应不同数据集,并通过少量表示样本的统计估计实现批量归一化统计量的调整与适应,从而在多种基准数据集上得到了更好的数据集迁移性和鲁棒性表现。
Oct, 2020
该研究论文证明,通过对图像识别模型进行简单但适当的高斯噪声和斑点噪声训练,可以使其具有更好的泛化能力和对不同类型损坏更强的鲁棒性,并结合敌对训练方法进一步提高性能。
Jan, 2020
本文针对计算机视觉模型在实际应用中面临的常规污染问题进行了全面和系统的综述,介绍了不同类型的图像污染以及相关的评估指标和基准数据集,并对现有模型的基础污染鲁棒性进行了评估,以帮助选择适合特定计算机视觉任务的骨干网络。
May, 2023
该文章为图像分类器的稳健性建立了严格的基准测试,并提出了两个基准测试 ImageNet-C 和 ImageNet-P,用于评估分类器对常见扰动和干扰的稳健性。研究发现,从 AlexNet 分类器到 ResNet 分类器,相对污染鲁棒性几乎没有变化,而绕过的对抗性防御提供了实质性的常见干扰强度。
Mar, 2019
本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法,成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务,同时提升了在受损图像方面的鲁棒性。
Mar, 2021
我们引入了 MNIST-C 数据集,这是一个综合 15 种损坏应用于 MNIST 测试集的数据集,用于评估计算机视觉中的模型的鲁棒性,我们的相关研究显示,我们的损坏显着降低了现代视觉模型的表现能力,而不影响测试图像的语义内容,和先前的对抗性防御相比,我们的模型无关的损坏不寻求最坏情况下的表现,而是设计成广泛多样的,捕捉现代模型的多个失败模式。
Jun, 2019
我们创建并开源了基于 MedMNIST + 收藏的 12 个数据集和 9 种成像模式的基准数据集 MedMNIST-C,模拟了不同严重程度的任务和模式特定图像损坏以全面评估已建立算法对真实世界工件和分布偏移的鲁棒性,并提供定量证据表明我们简单易用的人工损坏方法可用于提高模型的鲁棒性。与传统的通用增强策略不同,我们的方法利用领域知识,在与广泛采用的方法相比时表现出更高的鲁棒性。通过引入 MedMNIST-C 并开源相应的库以实现有针对性的数据增强,我们为医学成像领域越来越具有挑战的鲁棒方法的发展做出贡献。代码可在此 https URL github.com/francescodisalvo05/medmnistc-api 找到。
Jun, 2024
本研究探讨了图像分类器对以文字为导向的失真的鲁棒性,并利用扩散模型对图像进行不同域的编辑,研究结果表明: 在不同语言为基础的失真和编辑域中,图像分类器的性能显著下降,卷积模型比变压器架构更为鲁棒,同时,常见的数据扩充技术可以提高原始数据和编辑图像的性能。
Apr, 2023
本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域,但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集,并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性的关键见解,例如在适当的训练下,基于 Transformer 的结构具有最强的鲁棒性。
Jan, 2022