Mar, 2021

使用频率偏置模型提高对通用损坏的鲁棒性

PDF
TL;DR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。
cnnsimage corruptionrobustnessdata augmentationimagenet-c
发现论文，激发创造
  • 使神经网络对多种图像污染具有鲁棒性的简单方法

    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

  • 基于频率的深度学习模型对图像破坏的漏洞分析

    该研究提出了 MUFIA 算法，该算法能够鉴别导致深度学习模型失效的特定图像污染类型，并揭示现有模型对这些污染的鲁棒性不足的弱点，从而强调了提高模型抗干扰性的必要性。

    Jun, 2023

  • 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

  • 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

  • 频率偏差如何影响神经图像分类器对于常见干扰及对抗扰动的鲁棒性？

    本研究提出通过 Jacobian 频率正则化方法对深度学习模型频率偏差与鲁棒性之间的直接关系进行研究，实验证明偏向低（高）频分量能够提高分类器对高（低）频污染和对抗扰动的鲁棒性，但在低（高）频污染的性能方面存在折衷。

    May, 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

  • 环境扩散：从损坏的数据中学习干净的分布

    介绍了一种基于扩散的框架，可以使用高度损坏的样本学习未知分布，通过在扩散过程中引入附加的测量损坏，并要求模型从进一步损坏的图像中预测原始损坏的图像，来学习完整未损坏图像的条件期望。

    May, 2023

  • HybridAugment++: 模型鲁棒性的统一频谱扰动

    卷积神经网络（CNN）在分布变化下展现出较差的泛化性能，通过基于频率的角度考虑人类与 CNN 可能会关注图像的不同频率成分，我们提出了一种简单而有效的数据增强方法 HybridAugment 来降低 CNN 对高频成分的依赖，从而提高它们的鲁棒性并保持良好的准确性。同时，我们还提出了基于层次结构的增强方法 HybridAugment++，它在 HybridAugment 的基础上减少了 CNN 对图像振幅成分的依赖，并更加注重相位信息。这种统一的方法在干净准确度（CIFAR-10/100 和 ImageNet）、损坏数据集（ImageNet-C、CIFAR-10-C 和 CIFAR-100-C）、对抗鲁棒性（CIFAR-10）和数据集外分布检测等方面达到了与或优于最先进的结果。HybridAugment 和 HybridAugment++ 仅需几行代码实现，不需要额外数据、集成模型或其他网络。

    Jul, 2023

  • 多样性高斯噪声一致性正则化：提高抗干扰性和不确定性校准

    本研究提出了一种基于多样高斯噪音的一致性正则化方法，来改进图像分类器在面临各种噪声干扰时的鲁棒性和准确性。经过多项测试，在各项图像分类基准测试中，本方法都显著地超越了当代各种先进方法，进一步提高鲁棒精度和不确定性校准。

    Apr, 2021

  • 增强的形状偏差能否提高神经网络对常见污染的鲁棒性？

    通过对自然图像进行样式和边缘特征的处理，对卷积神经网络进行数据增强可以减少纹理偏差并增加形状偏差，从而提高其鲁棒性。

    Apr, 2021