Mar, 2021

针对视觉识别的对抗性特征增强与规范化

PDF
TL;DR本文提出了 Adversarial Feature Augmentation 和 Normalization (A-FAN) 方法，旨在将对抗性的特征嵌入到当前的视觉识别模型中，从而提高其分类、检测和分割任务的泛化能力。在各种数据集上的实验证明，A-FAN 可以有效地提高当前视觉识别任务的表现。
adversarial feature augmentationvisual recognitionclassificationdetectionsegmentation
发现论文，激发创造
  • FAN: 特征适应网络用于监控人脸识别和归一化

    本文研究了监控图像中的人脸识别和规范化。 基于 Feature Adaptation Network 框架，本文提出了一种人脸规范化方法，该方法提取身份和非身份因素，通过调整身份因素的分布实现了对分辨率较低的人脸图像的超分辨率处理，进而提高监控图像中人脸识别的准确性。

    Nov, 2019

  • AFAN: 增强特征对齐网络用于跨域目标检测

    本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

    Jun, 2021

  • 通过对抗性特征扰动实现对图像风格的编码稳健性

    通过对特征统计数据直接进行扰动，我们提出了 Adversarial Batch Normalization (AdvBN) 方法，它是一种单一的网络层，可以在训练期间生成最差情况下的特征扰动。通过在扰动的特征分布上对神经网络进行微调，我们观察到网络对各种不可见的分布偏移，包括样式变化和图像损坏，具有更好的鲁棒性。此外，我们证明我们提出的对抗性特征扰动可以与现有的图像空间数据增强方法互补，从而实现改进性能。

    Sep, 2020

  • 针对对抗训练的自适应特征对齐

    本文提出了自适应特征对齐的方法，通过预测双 BN 结构中的融合权重，不引入任何超参数，且在不牺牲模型标准精度的情况下，有效地提高了模型的鲁棒性，并且在 CIFAR-10、SVHN 和 tiny-ImageNet 数据集上全面超越了现有的技术。

    May, 2021

  • iFAN: 适应性目标检测的图像实例全对齐网络

    使用 Image-Instance Full Alignment Networks（iFAN）方法，通过部分训练生成对抗域分类器，实现了多尺度特征的图像级别的对齐和深度语义信息与实例表示的实例级别的对齐，并将这种方法应用于物体检测中，取得了 SYN10K->Cityscapes 和 Cityscapes->Foggy Cityscapes 领域适应任务的 10%+AP 提升。

    Mar, 2020

  • 通用人脸反欺诈的自适应归一化表征学习

    提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。

    Aug, 2021

  • 对抗性特征增强用于无监督域适应

    本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

    Nov, 2017

  • 对抗自动数据增强

    通过使用对抗性方法，Adversarial AutoAugment 能够通过同时优化目标相关对象和数据增强策略搜索损失，以便更快且更有效率地完成深度神经网络的训练及图像分类任务，从而将计算成本减少 12 倍，时间开销减少 11 倍，达到了最佳的实验成果。

    Dec, 2019

  • 通过对抗性学习实现鲁棒准确的物体检测

    本文提出了一种基于敌对样本的选择性、动态并且与检测器演化相关的数据扩增方法，该方法适用于目标检测模型，能够大幅提高模型的鲁棒性和检测精度。与基于模型无关的自动增广方法相比，在不同的检测模型中，该方法表现更加广泛和稳健。

    Mar, 2021

  • 对抗性特征幻化网络用于少样本学习

    本文提出基于条件 Wasserstein 生成对抗网络的对抗特征幻觉网络（AFHN），利用少量有标签样本来生成可区分性和多样性的特征向量以解决数据标注不足的问题，并通过对比实验证明了该方法优于现有基于数据增强的 few-shot learning 方法和其他先进方法。

    Mar, 2020