May, 2023

噪声鲁棒性神经网络架构

PDF
TL;DR通过将神经网络架构中的每个自由参数表示为不确定性间隔，并对每个输入元素应用线性变换，我们提出了一种神经网络结构（土丘神经网络），用于识别普通嘈杂图像而无需在训练数据中添加任何人造噪音。通过对 MNIST 数据集的简单土丘神经网络的应用，我们证明了即使对于人类难以识别的非常嘈杂的输入图像，我们的方法在测试集准确性方面也优于人类且不需要数据增强，而且我们发现我们的方法对于添加各种背景模式的其他示例也很稳健。
发现论文，激发创造
  • 基于不确定性的噪声图像标签检测和重新标记

    本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。

    May, 2019

  • 深度神经网络的噪声响应分析评估其稳健性和结构恶意软件指纹

    本文提出了一种快速特征生成技术，可以对深度神经网络进行快速的安全检测，尤其是可以在几秒钟内检测出所谓的后门 (backdoors)，并且无需大量计算资源和训练数据。

    Jul, 2020

  • 高效盲点神经网络图像去噪架构

    用卷积神经网络进行图片去噪是计算摄影学中重要的工具，本研究提出了一种新的全卷积网络结构，使用扩张卷积实现盲点性质，该网络在已有数据集上表现优于之前的工作并取得了最新成果。

    Aug, 2020

  • 带有李普希茨连续性的鲁棒神经网络

    本文针对神经网络的稳健性和稳定性问题，提出了一种通用的训练方法，旨在使现有的神经网络架构更能够适应输入的视觉扰动，该方法无需进行数据扩充或更改网络架构。通过现有的神经网络架构实验，理论证据和实证结果证明，当使用该方法进行训练时，模型性能会显著提高，尤其是在噪声数据存在的情况下。

    Nov, 2018

  • 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

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017

  • 神经架构设计与鲁棒性：一个数据集

    本文研究探讨了寻找更具有鲁棒性的体系结构对于减少深度学习模型在实际应用中对于输入数据微小扰动导致的错误决策的重要性。在评估鲁棒性方面，我们基于 NAS-Bench-201 进行神经网络架构搜索，对 6466 种不同的网络设计进行评估并引入数据库，发现对神经网络的拓扑结构进行优化可以显著提高其鲁棒性。

    Jun, 2023

  • 对抗噪声下的鲁棒卷积神经网络

    这篇论文提出了一种新的前馈卷积神经网络模型，通过引入随机加性噪音来增强网络对抗噪音的鲁棒性，其模型仅基于每个像素的均值和方差来简化计算，训练效果优于其他方法，特别是对于更难的分类任务或更强的对抗性噪声。

    Nov, 2015

  • 使用有噪声的标签训练卷积神经网络

    本论文探究了在实际情况中，数据标注不可避免地有可能存在噪声标签的情况下，利用引入噪声层的方法，在 Convolutional Network 模型上进行判别性训练以获得更好的性能。同时在多个数据集上进行了实验，包括在 ImageNet 分类基准测试上的大规模试验。

    Jun, 2014

  • 基于无偏卷积神经网络的鲁棒且可解释的盲图像去噪

    该论文研究了卷积神经网络中添加偏差项对去噪性能的影响，发现使用无偏差的神经网络可以更稳健地处理不同噪声水平下的图像去噪问题。

    Jun, 2019