ICCVMar, 2021

基于分组抑制的特征正则化方法用于鲁棒分类

PDF
TL;DR提出了一种使用组间抑制（group-wise inhibition）的卷积神经网络（CNN）正则化方法，通过处理具有不同激活分布的特征映射来考虑特征独立性，以实现对于严峻环境如腐败、对抗样本和低数据区域的稳健分类。
convolutional neural networkfeature diversitygroup-wise inhibitiondiscriminative featuresrobust classification
发现论文，激发创造
  • 从人脑中学习如何正则化机器

    通过使用大规模神经系统数据对卷积神经网络进行正则化来学习更强的神经特征，以提高模型对于对抗扰动和噪声的分类鲁棒性。

    Nov, 2019

  • 空间分组增强：改进卷积神经网络中的语义特征学习

    本文提出了一种基于空间组别增强（SGE）的卷积神经网络模块，通过生成每个语义组中每个空间位置的注意力系数来调整每个子特征的重要性，可以在仅接受类别监督训练的情况下显著提高图像识别任务的性能。

    May, 2019

  • 利用卷积生成器的结构偏差进行降噪和正则化

    卷积神经网络在图像生成、还原和修复中具有良好的性能，即使在没有训练数据的情况下，通过应用随机初始化的过参数化凸轮生成器拟合噪声和损坏的自然图像可以去除图像噪声。在这篇论文中，作者将这种现象归因于卷积网络的特定架构选择，即使用固定插值滤波器进行卷积，并证明早期停止的梯度下降可用于去噪和对其他逆问题进行正则化。

    Oct, 2019

  • 动态特征聚合的鲁棒表征

    本文提出一种名为动态特征聚合的方法，旨在通过优化正则化和引入正交分类器的方式，压缩卷积神经网络 (CNN) 建模中的嵌入空间和提高模型的鲁棒性，从而更好地应对对抗攻击。在 CIFAR-10 数据集上，我们的方法平均准确率为 56.91％，优于 Mixup 基线 37.31％；此外，我们的方法还在超出分布检测方面实现了最佳性能。

    May, 2022

  • 基于图的卷积神经网络

    本文研究基于图信号处理和卷积定理的图卷积神经网络方法，利用图傅里叶变换和谱乘法构建卷积和池化层，使用代数多重网格方法降低图分辨率，以深度学习方式解决机器学习中的空间不规则问题。实验结果表明，该方法在手写数字分类问题上的成绩优于传统 CNN 方法。

    Sep, 2016

  • 通过解释学习鲁棒的卷积神经网络与相关特征聚焦

    本文提出了一种称为 ReFF 的方法，通过解释输出来探测与任务相关的特征并规范卷积神经网络，以应对训练和测试数据集分布不同的情况，并在测试数据上提高了准确度。

    Feb, 2022

  • 通过惩罚局部预测能力学习稳健的全局表示

    本文提出了一种训练且具有鲁棒性的卷积神经网络的方法，通过惩罚较早层所学习的局部表示的预测能力，迫使网络丢弃色彩和纹理等可从局部感受野中获取的预测信号，并依靠图像的全局结构。在一系列综合性和基准领域适应任务中，我们的方法使泛化能力得到了改善。我们还引入了一个新的数据集 ImageNet-Sketch，以评估跨域传输。

    May, 2019

  • 卷积原型学习的鲁棒分类

    本文提出了一种新的学习框架，称为卷积原型学习（CPL），以处理卷积神经网络（CNN）对开放世界识别问题的鲁棒性不足，其中采用了多个分类标准进行网络训练，提出了原型损失（PL）作为正则化以改善特征表示的内部类紧凑性，在多个数据集上实验表明 CPL 可以比传统 CNN 实现可比甚至更好的结果，并且 CPL 在拒绝和增量类别学习任务方面具有明显优势。

    May, 2018

  • 模型鲁棒性的奇异值视角

    本文研究探讨卷积神经网络在人工智能领域的应用，并且探讨该类网络存在的问题和局限性，提出使用奇异值分解方法可以分析卷积神经网络中涉及到的非人类因素，从而对其产生作用的原因展开研究。同时提出了一种新的特征分配方法，建立了卷积神经网络的理论框架。

    Dec, 2020

  • 深度卷积激活特征的多尺度无序池化

    本文介绍了一种简单但有效的方案 —— 多尺度无序池（MOP-CNN），该方案提取多尺度下局部块的 CNN 激活，对每个尺度单独进行无序 VLAD 池化并将结果串联，从而提高了 CNN 激活的不变性和识别性能，并在图像分类等监督或非监督识别任务中表现出色。

    Mar, 2014