Feb, 2021

关于数据增强与随机扰动对自然语言处理鲁棒性的影响

PDF
TL;DR本文利用最小样本距离等方法，探究了数据增强和测试时图像扭曲之间的关系，并提出了测试时图像扭曲和数据增强之间的感知相似度的概念。结果表明，基于感知相似的数据增强可以提高对图像扭曲的鲁棒性，并强调数据增强在图像扭曲鲁棒性方面的重要性。
image corruptionsdata augmentationsminimal sample distancetest-time corruptionsrobustness
发现论文，激发创造
  • 计算机视觉中模型鲁棒性的傅里叶视角

    计算机视觉中，通过数据增强方式可以提高鲁棒性，但增加高斯数据增强和对抗训练等方法并不能保证所有的污染类型都能同样得到提高，因此需要使用更多样的数据增强方式来缓解这些折衷。最近提出的 AutoAugment 方法在清晰精度和鲁棒性方面均得到了最佳表现。

    Jun, 2019

  • 3D 常见数据损坏及数据增强

    本文提出了一组图像转换，用作对模型鲁棒性的评估，以及训练神经网络的数据增强机制。这些转换具有现实世界中更可能出现的损坏方式和语义，可以有效提高模型的鲁棒性，并为鲁棒性研究开辟了有前途的方向。

    Mar, 2022

  • 通过协变量转移适应性提高对常见数据损坏的稳健性

    本研究证明：大多数图像较差的基准测试不能很好地衡量图像识别模型在许多场景下的稳健性，因此提出了一种基于非监督在线适应的方法，通过更改模型激活的统计特征来提高模型的稳健性。改进后的模型可在 ImageNet-C 数据集上取得更好的表现。

    Jun, 2020

  • 计算机视觉模型对常见失真的鲁棒性：一项调查研究

    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

  • 使用频率偏置模型提高对通用损坏的鲁棒性

    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

  • 基于文本引导的鲁棒性基准测试

    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

  • 对抗训练对常见噪声的有效性

    本文针对常见数据污染问题，探讨了对抗训练在提高精度和校准性方面比简单高斯噪声数据增强更有效的现象，并提出了新的方法 —— 基于感知图像补丁相似度的对抗训练松弛，通过实验验证此方法可以优化原有的对抗训练基础模型，同时结合数据增强策略获得更好的性能。

    Mar, 2021

  • 探究人类解析器对常见错误的鲁棒性

    通过构建三个数据集来评估人体解析模型的风险容忍度，并提出一种新颖的异构数据增强机制，可以在常见的图像损坏条件下提高人体解析模型的鲁棒性。

    Sep, 2023

  • 利用类别间距离评估机器学习分类器的抗数据篡改能力

    本研究提出一种基于数据增强的测量方法，可以比较有关分类器在统计干扰下的鲁棒性，结果表明，鲁棒性训练可以通过简单的数据增强来扩展精度。

    Jun, 2022

  • 针对常见污染物的 3D 点云识别鲁棒性基准测试

    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