鲁棒性评估指标

从傅里叶谱与博弈交互角度分析模型鲁棒性来源，发现现有指标的均值形式无法真实反映感知鲁棒性，提出校准后的评估指标更符合人类视觉对扰动的敏感度。

刘兆栋 · Shu-Wei, Qian · 王崇骏

Neural Networks 2023

参数信息

mCE（CIFAR-10-C）

2.1 %

技术优势

指标更准

校准后的指标更加符合人类视觉对扰动的敏感度，评估结果与感知鲁棒性更一致。

性能领先

在CIFAR-10-C上取得2.1%的mCE，达到最高水平。

来源清晰

从傅里叶谱和博弈交互角度揭示了鲁棒性优势的根源，为改进提供方向。

应用场景

• 自动驾驶感知：提供更符合人类感知的鲁棒性指标，用于评估自动驾驶感知模型在恶劣环境下的表现。
• 机器人视觉系统：帮助机器人视觉系统选择更鲁棒的模型，应对开放环境中的各种扰动。
• AI安全评估：作为AI安全评估工具，更准确地衡量模型在真实世界数据上的鲁棒性。
• 工业质检：在工业质检中，利用校准指标筛选对图像扰动鲁棒的检测模型。