.png){kind=icon}
返回
LayerMix: Enhanced Data Augmentation for Robust Deep Learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.patcog.2025.112332.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）模型在各类计算机视觉任务中表现出卓越性能，但其对分布偏移的脆弱性仍是一个关键挑战。尽管神经网络架构复杂，现有模型在面临分布外（OOD）样本（包括自然损坏、对抗性扰动和异常模式）时，往往难以保持一致的性能。我们提出LayerMix，一种创新的数据增强（DA）方法，通过结构化分形图像合成系统地增强模型鲁棒性。通过精心将结构复杂性整合到训练数据集中，我们的方法生成语义一致的合成样本，显著提升神经网络的泛化能力。与依赖随机变换的传统增强技术不同，LayerMix采用结构化混合管道，在保留原始图像语义的同时引入可控的变异性。在CIFAR-10、CIFAR-100、ImageNet-200和ImageNet-1K等多个基准数据集上的广泛实验表明，LayerMix在分类准确率上表现优异，并显著提升了关键机器学习（ML）安全指标，包括对自然图像损坏的鲁棒性、对抗攻击的稳健性、模型校准的改善以及预测一致性的增强。LayerMix通过解决DL泛化的基本挑战，代表了开发更可靠和自适应人工智能系统的重大进展。代码可在https://github.com/ahmadmughees/layermix获取。
Keyword:
Classification
Data augmentation
Fractals
Robustness
Corruption
Adversarial attack
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.6
论文数:
1.4W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
CutMix: Regularization Strategy to Train Strong Classifiers With Localizable FeaturesCutMix: 训练具有可本地化特征的强分类器的正则化策略OAAI
OAAI分享收藏分享收藏 没有更多内容
没有更多内容