Lateralized Learning for Multi-Class Visual Classification Tasks

Abubakar Siddique

doi:10.1109/ACCESS.2026.3660716

2026-02-03

Abubakar Siddique

Will N. Browne

Gina M. Grimshaw

DOI：10.1109/ACCESS.2026.3660716

原文链接

查看原文

摘要

En 中文

大多数计算机视觉算法无法在图像中发现高阶（抽象）模式，因此它们对抗抗攻击的鲁棒性不足。深度学习以同质方式处理每个输入像素，使得局部敏感哈希表的不同部分通常无法连接，这意味着高阶模式未被发现。因此，这些系统对噪声、无关和冗余数据敏感，导致高置信度下的错误预测。对抗攻击利用这一脆弱性，通过生成误导性输入来误导AI系统。相比之下，人类视觉很少受到对抗攻击的影响。脊椎动物的大脑通过侧化提供异质知识表示，从而能够在不同抽象层次上实现模块化学习。本研究旨在验证侧化方法在包含噪声、无关和冗余数据的现实世界问题中的有效性、可扩展性和鲁棒性。两种广为人知且广泛使用的对抗攻击方法——快速梯度符号法（Fast Gradient Sign Method）和迭代对抗技术（Iterative Adversarial Technique）——被应用于生成损坏的测试图像。在多类（200类）图像分类任务上的实验结果表明，所提出的系统能够有效捕获层次化知识表示，从而增强其鲁棒性。关键在于，侧化系统在正常和对抗图像分类任务中，分别比四种基于深度学习的最先进系统提高了19.05% - 41.02%和1.36% - 49.22%的性能。

Keyword:

Adversarial attacks

cognitive neuroscience

deep learning

lateralization

modular learning