典型文献
基于自监督的深度神经网络稳健性提高方法
文献摘要：
深度神经网络在多种人工智能任务中有广泛的应用,然而研究表明深度神经网络在对抗样本的攻击下会输出完全错误的预测结果,整体模型的准确性受到很大影响.如何提高网络针对对抗样本的稳健性,是研究者亟需解决的问题.本文提出了一种基于自监督重建的提高网络稳健性的方法,以图像去噪为基础,设计一种去噪模型,与网络联合训练,并加入自监督重建信号辅助训练.在对抗样本进入网络前,利用去噪模型去除对抗噪声,避免其对网络的干扰.公开数据集上的实验表明,本模型在多种攻击方法下都有较高的分类准确率,表明模型针对对抗样本具有很强的稳健性.
文献关键词：
深度神经网络;稳健性;自监督;对抗攻击;图像去噪
中图分类号：
作者姓名：
李佳文;方堃;黄晓霖;杨杰
作者机构：
上海交通大学图像处理与模式识别研究所,上海 200240
文献出处：
引用格式：
[1]李佳文;方堃;黄晓霖;杨杰-.基于自监督的深度神经网络稳健性提高方法)[J].厦门大学学报（自然科学版）,2022(06):1010-1020
A类：
B类：
自监督,深度神经网络,网络稳健性,提高方法,智能任务,对抗样本,全错,整体模型,对对,以图,图像去噪,去噪模型,联合训练,辅助训练,入网,用去,抗噪声,公开数据集,攻击方法,分类准确率,对抗攻击
AB值：
0.3641
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
