Subespacios Inducidos por Representación de Imágenes para Robustez de Clasificación Práctica

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• Las transformaciones de imágenes como las transformaciones discretas de wavelet (DWT) y los modelos generativos ofrecen representaciones de imágenes significativas.
• Mejorar la robustez de la clasificación de redes neuronales contra corrupciones del mundo real es un desafío importante.

Objetivo del estudio:

• Proponer un método general para mejorar la robustez de la clasificación de redes neuronales contra corrupciones del mundo real.
• Aprovechar representaciones de imágenes expresivas para mejorar la robustez adversaria.

Principales métodos:

• Un novedoso ataque adversario dirigido a subespacios de baja dimensión en espacios de imágenes transformadas.
• Entrenamiento de redes neuronales para la robustez adversaria utilizando el ataque propuesto como proxy para la robustez a la corrupción.
• Aplicación del método con transformada discreta de coseno (DCT), DWTs y Glow, centrándose en la preservación de bajas frecuencias o características relevantes.

Principales resultados:

• Los modelos entrenados con el método propuesto muestran una robustez significativamente mejorada contra perturbaciones de imagen comunes no vistas.
• El enfoque mantiene la precisión natural con solo un sacrificio menor.
• El método demuestra generalidad en diferentes sistemas de color y parámetros.

Conclusiones:

• El ataque adversario y la estrategia de entrenamiento propuestos mejoran eficazmente la robustez de las redes neuronales contra las corrupciones de imagen.
• Aprovechar representaciones de imágenes semánticamente significativas en espacios transformados es una dirección prometedora para la IA robusta.
• El método ofrece una solución generalizable para mejorar la resiliencia de los modelos de aprendizaje profundo.