面向重尾噪声图像分类的残差网络学习方法

来源：计算机应用杂志2025年第10期北京时间：

作者：宫智宇, 王士同

单位：江南大学 人工智能与计算机学院，江苏 无锡 214122

摘要：针对残差网络（ResNet）在图像分类中容易受未知重尾噪声影响导致识别准确率下降的问题，提出一种多分布重尾噪声自适应残差网络（MHTNA-ResNet）模型。首先，为抑制重尾噪声对最终预测的影响，设计一个多分布重尾噪声自适应层（MHTNA），该层使用多种重尾分布创建噪声模板，扰动干净的训练数据，使ResNet通过训练获得对重尾噪声图像的识别能力；其次，MHTNA在训练中进行自适应训练，使用最大似然估计法求解更新的噪声模板参数，并根据求解参数重新生成噪声模板，控制噪声始终遵循重尾分布；最后，测试时屏蔽MHTNA，对测试图像进行重尾噪声攻击，从而检验模型的抗噪能力。实验结果表明，与PRIME模型相比，面对重尾噪声的攻击，在CIFAR10、CIFAR100和MINI-ImageNet数据集上所提模型的分类准确率分别平均提升了3.86、7.10和5.46个百分点。可见，所提模型可以有效提高ResNet面对重尾噪声干扰时的鲁棒性。

关键词：重尾噪声,图像分类,残差网络,多分布,深度学习

基金资助：国家自然科学基金资助项目(U20A20228)