#今日论文推荐#IJCAI2022 Oral: 探究和解释图像分类任务中存在的频域偏见

#今日论文推荐#IJCAI2022 Oral: 探究和解释图像分类任务中存在的频域偏见

卷积神经网络（CNN）在各种任务上已经表现出接近人甚至超越人的表现，研究[1]指出，CNN在处理视觉信息机制上与人类视觉系统存在差异，这导致CNN常有“超人”的表现，例如：CNN倾向于使用纹理信息进行图像分类，而不是像人一样利用形状信息[2]。针对这些差异表现，[3]在频域角度提供了一个有趣的结论：CNN能利用人不可见的图像高频信息进行模型泛化，同时CNN捕获图像频域分量的行为能够部分解释模型的一些反直觉表现，例如泛化性高而对抗鲁棒性差。
本论文旨在研究图像分类任务下CNN在频域空间的表现。首先我们在探究频域特征空间的过程中发现了一个有意思的现象：图像频域分量在经过CNN的特征提取后（HOG特征CNN特征），低频分量的类间差异被放大（图1左两列），而高频分量的类间差异被抑制（图1右两列）。

论文题目：Investigating and Explaining the Frequency Bias in Image Classification
详细解读：https://www.aminer.cn/research_report/627dbb5c7cb68b460fb6ca0f?download=falsehttps://www.aminer.cn/research_report/627dbb5c7cb68b460fb6ca0f?download=false
AMiner链接：https://www.aminer.cn/?f=cs

​