Improving Robustness to Out-of-Distribution Data by Frequency-based Augmentation

要約

畳み込みニューラルネットワーク(CNN)は画像認識において高い精度を持つが、敵対的な例や分布外データに対して脆弱であり、人間の認識との差異が指摘されている。分布外データに対する頑健性を向上させるため、周波数成分を同クラスの他の画像に置き換える周波数ベースのデータ補強手法を提示する。学習データがCIFAR10、分布外データがSVHNの場合、提案手法で学習したモデルのAUROC（Area Under Receiver Operating Characteristic）曲線は89.22%から98.15%に増加し、さらに他のデータ拡張手法と組み合わせた場合には98.59%まで増加する。さらに、分布外データに対するロバストモデルは、画像の高周波成分を多く利用することを実験的に示す。

要約(オリジナル)

Although Convolutional Neural Networks (CNNs) have high accuracy in image recognition, they are vulnerable to adversarial examples and out-of-distribution data, and the difference from human recognition has been pointed out. In order to improve the robustness against out-of-distribution data, we present a frequency-based data augmentation technique that replaces the frequency components with other images of the same class. When the training data are CIFAR10 and the out-of-distribution data are SVHN, the Area Under Receiver Operating Characteristic (AUROC) curve of the model trained with the proposed method increases from 89.22\% to 98.15\%, and further increased to 98.59\% when combined with another data augmentation method. Furthermore, we experimentally demonstrate that the robust model for out-of-distribution data uses a lot of high-frequency components of the image.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL