论文部分内容阅读
深度学习已经得到飞速发展，在图像识别领域，卷积神经网络的鲁棒性保证显得尤其重要。由于卷积神经网络的分布式表示特点，会对输入图像产生众多特征表示，这些特征表示中存在大量噪声信息，会严重影响网络的性能，此外由于训练数据的局限性，会影响神经网络区分非正常输入的能力。为了提高卷积神经网络的鲁棒性，我们在噪声通道选择、噪声特征过滤和防御对抗攻击三个方面分别提出了三个方法。
针对噪声通道的存在而影响神经网络鲁棒性的问题，我们提出了基于通道选择的鲁棒性提高方法，通过重新分配通道权重来减少噪声通道的影响，其中我们提出了两阶段通道选择方法，利用空间聚合与信息融合来产生包含局部信息的通道描述向量。针对残差网络族的噪声特征问题，我们提出了基于特征过滤的鲁棒性提高方法，即一个即插即用的轻量级信息过滤模块，我们把它称为去噪编解码器，将它插入到跨层连接中，以特征过滤的方式来提高跨层连接所传递信息的质量。针对对抗样本普遍存在的问题，我们提出了基于对抗训练的鲁棒性提高方法，即一种基于生成式网络的对抗样本生成方法，用于模拟训练样本的邻域信息，以一种数据增强的方式，来提高神经网络的鲁棒性。
针对噪声通道的存在而影响神经网络鲁棒性的问题，我们提出了基于通道选择的鲁棒性提高方法，通过重新分配通道权重来减少噪声通道的影响，其中我们提出了两阶段通道选择方法，利用空间聚合与信息融合来产生包含局部信息的通道描述向量。针对残差网络族的噪声特征问题，我们提出了基于特征过滤的鲁棒性提高方法，即一个即插即用的轻量级信息过滤模块，我们把它称为去噪编解码器，将它插入到跨层连接中，以特征过滤的方式来提高跨层连接所传递信息的质量。针对对抗样本普遍存在的问题，我们提出了基于对抗训练的鲁棒性提高方法，即一种基于生成式网络的对抗样本生成方法，用于模拟训练样本的邻域信息，以一种数据增强的方式，来提高神经网络的鲁棒性。