返回
VexNet: Vector-Composed Feature-Oriented Neural Network
DOI:10.3390/electronics14091897.png)
摘要
En 中文
提取能够抵抗几何变换和对抗性扰动的鲁棒特征仍然是深度学习中的关键挑战。尽管胶囊网络通过向量化封装特征和动态路由展现出鲁棒性,但它们因迭代路由、密集矩阵运算和额外的激活标量而存在计算低效的问题。为解决这些局限性,我们提出了一种方法,整合了(1)紧凑的向量分组神经元以消除激活标量,(2)一种非迭代的投票算法,在减少计算的同时保留空间关系,以及(3)高效权重共享策略,以平衡计算效率与泛化能力。我们的方法在CIFAR-10和SVHN图像分类任务上优于现有方法,在参数更少、FLOPs更低的情况下,准确率最高提升0.31%。评估结果表明,与竞争方法相比,该方法在CIFAR-10/SVHN上实现了0.31%的准确率提升(伴随参数和FLOPs减少),并在smallNORB的新视角识别上取得了1.93%/1.09%的改进。在FGSM和BIM攻击下,我们的方法将CIFAR-10上的攻击成功率降低了47.7%,SVHN上降低了32.4%,证实了其增强的鲁棒性和效率。未来工作将扩展vexel表示到MLP和RNN,并探索在计算机图形学、自然语言处理和强化学习中的应用。
Keyword:
deep learning
computer vision
image classification
adversarial attack
feature extraction
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
暂无机构信息

