一种提升卷积神经网络鲁棒性能的方法

摘要

本发明公开了一种提升卷积神经网络鲁棒性能的方法，包括：S1，构建卷积神经网络，包括多层卷积层，一个卷积层由多个神经元组成；S2，定义掩码矩阵，其形状大小和对应卷积层神经元的形状大小一致，掩码矩阵中的数值从一个伯努利分布中采样，掩码矩阵在训练和推断阶段都不会改变；S3，对标准卷积神经网络的卷积层应用掩码矩阵，并调整掩码矩阵采样分布的概率；针对对抗训练和对输入进行修正两种方案的局限性，通过向卷积网络引入坏点神经元，改变模型的组织结构，使模型更关注于输入图像的形状，因物体形状往往较难改变，从而提升模型预测的鲁棒性能，显著减少训练成本，拓展应用场景。