本论文聚焦于提高深度学习模型对自然腐败的韧性这一关键挑战。尽管深度学习模型有潜力在各个领域带来重大进展，但当面对与其训练数据不同的场景，如噪声、模糊、天气变化和数字化伪影时，它们易于失败。这类失败对人类安全可能产生严重影响，例如由自动驾驶汽车引发的事故。为了解决这一问题，本研究探讨了鲁棒性与熵之间的相关性，并提出了一种新颖的高斯对抗训练方法，以增强图像分类模型的腐败韧性。此外，为了将对鲁棒深度学习的理解从图像扩展到视频，本论文建立了一个用于评估视频分类鲁棒性的大规模基准，并使用最先进的深度学习模型和技术进行了全面研究。研究揭示了提高视频模型鲁棒性的技术尚未被充分探索。因此，本研究探索了涉及多样化数据增强和一致性正则化的方法。最后，受到视频的时间连贯性特点的启发，提出了一种提高效率和效果的测试时优化技术。本研究的发现对于开发安全可靠的AI系统具有重大意义，为这些技术在实际应用中的广泛部署铺平了道路。
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
点击“阅读原文”，了解使用专知，查看获取100000+AI主题知识资料
