Dec, 2021

PRIME: 几个基本元素可提高抵御常见破坏的能力

PDF
TL;DR该论文提出了一种基于 PRIME 的数据增强算法，通过简单且丰富的最大熵图像变换实现对图像数据中的常见变异的鲁棒性增强，该方法能有效地提高数据增强的鲁棒性和准确性，同时可以与其他方法结合使用，具有很高的实用性和计算效率。
deep networksdata augmentationrobustnessprimecorruption
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 关于数据增强与随机扰动对自然语言处理鲁棒性的影响

    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。

    Feb, 2021

  • IPMix：用于训练鲁棒分类器的标签保持数据增强方法

    IPMix 提供了一种简单且可用于提高神经网络的鲁棒性的数据增强方法，通过整合图像级、补丁级和像素级三层数据增强，并引入结构复杂性和随机混合方法以扩大训练数据的多样性，实现在多个评估参数上的优越性能。

    Oct, 2023

  • 探究事后剪枝感知卷积神经网络的校准性和对抗鲁棒性：一项图像分类基准研究

    当前研究中对图像分类任务进行的后期 CNN 剪枝技术的实证研究揭示了后期剪枝显著提高了模型的不确定性校准、性能和自然损坏鲁棒性，为安全和稳健的嵌入式 CNN 带来了希望。此外，剪枝不排斥不确定性校准和自然损坏鲁棒性，如通过后期非结构化剪枝的压缩增加的安全性方面的进一步改善所证明的。

    May, 2024

  • 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