对抗样本(论文解读三): Adversarial Examples Improve Image Recognition

---

准备写一个论文学习专栏，先以对抗样本相关为主，后期可能会涉及到目标检测相关领域。

内容不是纯翻译，包括自己的一些注解和总结，论文的结构、组织及相关描述，以及一些英语句子和相关工作的摘抄(可以用于相关领域论文的写作及扩展)。

平时只是阅读论文，有很多知识意识不到，当你真正去着手写的时候，发现写完之后可能只有自己明白做了个啥。包括从组织、结构、描述上等等很多方面都具有很多问题。另一个是对于专业术语、修饰、语言等相关的使用，也有很多需要注意和借鉴的地方。

本专栏希望在学习总结论文核心方法、思想的同时，期望也可以学习和掌握到更多论文本身上的内容，不论是为自己还有大家，尽可能提供更多可以学习的东西。

当然，对于只是关心论文核心思想、方法的，可以只关注摘要、方法及加粗部分内容，或者留言共同学习。

---

Adversarial Examples Improve Image Recognition

Cihang Xie1,2∗ Mingxing Tan1 Boqing Gong1 Jiang Wang1 Alan Yuille2 Quoc V. Le1 1Google 2Johns Hopkins University

谷歌大脑的创始成员和 AutoML 的缔造者之一Quoc Le再推新研究论文 ，发表于2019/11/21
(昨天11/29刚看到的，今天迫不及待地学习一下)

对抗样本提高图像识别

1 Abstract

Adversarial examples are commonly viewed as a threat to ConvNets. Here we present an opposite perspective: adversarial examples can be used to improve image recognition models if harnessed in the right manner. We propose AdvProp, 引；

将对抗样本加入训练集再次训练，来防止模型过拟合。我们方法的关键是使用独立的辅助批处理规范来处理对抗性示例，因为它们与普通示例具有不同的底层分布。

对于最新的模型EfficientNet-B7其分类结果，在 ImageNet (+0.7%), ImageNet-C (+6.5%), ImageNet-A (+7.0%), StylizedImageNet (+4.8%).
在强化模型EfficientNet-B8下，无额外数据数据的情况下在ImageNet上实现top-1为85.5%。
（3.5B Instagram images (∼3000× more than ImageNet) and ∼9.4× more parameters. ）

Models are available at
https://github.com/tensorflow/tpu/tree/ master/models/official/efficientnet.
(这里有很多以前未知的模型和数据集，需要了解一下)

2 Int