【论文笔记】Imagenet-trained cnns are Biased towards Texture； Increasing Shape Bias Improves accuracy

Imagenet-trained cnns are Biased towards Texture; Increasing Shape Bias Improves accuracy

2021年了，这是新年的第一篇论文笔记，这也意味着新的一年的新的研究生活开始。
目前的研究方向是对抗样本，所以大部分的论文笔记都是对抗样本方向的（first-order、patch、风格迁移、GAN等），也希望自己能够坚持写下去，研究下去，做出一定的成果。

这是一篇CVPR公众号里推送的文章，也在我的文章中提及过，同时也是ICLR2019年的文章，应该是oral，虽然本篇文章并不是关于对抗样本，但是本文提出了一个很新颖的点，是有助于进一步研究对抗样本的生成与防御方法。

论文链接：https://arxiv.org/abs/1811.12231

本文参考了对抗样本(论文解读十二)

该文章探索了CNN在图像分类是更偏重于形状还是纹理。现有理论对于CNN在图像分类时是更基于shape，而作者提出了CNN可能更基于texture的假设，且通过大量的实验证明了