بريم: يمكن لبعض البرIMITIVES القليلة أن تعزز المقاومة للتشوهات الشائعة

على الرغم من الأداء المتميز للشبكات العميقة في مهام تصنيف الصور، فإنها تواجه صعوبة كبيرة في التعميم على تشوهات غير متوقعة في بيانات التدريب. ولعلاج هذه الضعف، اعتمد العمل السابق استراتيجيات معقدة لتوسيع البيانات، مدمجةً عدة طرق لتعزيز بيانات التدريب. لكن إدخال خيارات تصميم معقدة أو قواعد استنتاجية يجعل من الصعب فهم العناصر الحقيقية التي تُعدّ حاسمة في تحسين المقاومة. في هذا العمل، نأخذ خطوة للوراء ونتبع نهجًا منهجيًا لتحقيق المقاومة تجاه التشوهات الشائعة. نقترح PRIME، وهي خطة عامة لتوسيع البيانات تعتمد على عائلات بسيطة ولكن غنية من التحويلات الصورية ذات الانتروبيا العظمى. تتفوق PRIME على الأداء السابق من حيث المقاومة للتشوهات، مع تميزها بالبساطة وطبيعتها القابلة للدمج بسهولة مع طرق أخرى لتعزيز مقاومتها بشكل أكبر. ونقوم بتحليل PRIME للكشف عن أهمية استراتيجية الخلط في إنشاء صور متشوهة، ولإظهار التنازلات بين الدقة والمقاومة التي تنشأ في سياق التشوهات الشائعة. وأخيرًا، نُظهر أن الكفاءة الحسابية لطريقتنا تسمح باستخدامها بسهولة في كل من استراتيجيات توسيع البيانات الحية (online) والخارجية (offline).