تُحسّن الأمثلة المُضادة التعرف على الصور

يُنظر عادةً إلى الأمثلة العدائية على أنها تهديد لشبكات التعلم التلقائي ذات التحويلات العميقة (ConvNets). وفي هذا العمل، نقدم وجهة نظر معاكسة: يمكن استخدام الأمثلة العدائية لتحسين نماذج تمييز الصور إذا تم استغلالها بطريقة صحيحة. نقترح طريقة تُسمى AdvProp، وهي خطة مُحسّنة للتدريب العدائي، تُعامل فيها الأمثلة العدائية كأمثلة إضافية لمنع التعلم الزائد (Overfitting). وجوهر طريقتنا يكمن في استخدام تنسيق معالجة التطبيع المُستقل (Batch Norm منفصل) للأمثلة العدائية، نظرًا لاختلاف التوزيع الأساسي لهذه الأمثلة عن الأمثلة العادية.وأظهرنا أن AdvProp تُحسّن مجموعة واسعة من النماذج في مهام تمييز الصور المختلفة، وتُظهر أداءً أفضل كلما زاد حجم النموذج. على سبيل المثال، عند تطبيق AdvProp على أحدث نموذج EfficientNet-B7 [28] على مجموعة بيانات ImageNet، حققنا تحسينات ملحوظة على ImageNet (+0.7%)، وImageNet-C (+6.5%)، وImageNet-A (+7.0%)، وStylized-ImageNet (+4.8%). وباستخدام نموذج EfficientNet-B8 المُحسّن، تحقق أداءً قياسيًا بـ 85.5% دقة تصنيف الصورة الأولى على ImageNet دون الحاجة إلى بيانات إضافية. ويتفوق هذا الناتج على أفضل نموذج مُذكور في [20]، الذي تم تدريبه باستخدام 3.5 مليار صورة من إنستغرام (أي ما يعادل حوالي 3000 مرة أكثر من بيانات ImageNet) وبنية نموذج تمتلك ما يقارب 9.4 أضعاف عدد المعاملات. يمكن الوصول إلى النماذج المُتاحة عبر الرابط: https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet.