Обучение производных: увеличение точности и робастности в задачах компьютерного зрения

Обучение производных позволяет повысить точность нейронных сетей для ряда низкоразмерных задач. В данной работе этот подход адаптирован к модельной задаче машинного зрения: восстановлению вершин куба по его изображению. Так, обучение производных по степеням свободы куба позволяет увеличить точность в 25 раз. Производные также позволяют разрешить проблему робастности, которая заключается в наличии двух типов уязвимостей. Первый тип - это малые возмущения, которые резко изменяют выход сети, а второй - это существенные изменения изображения, которые сеть ошибочно игнорирует. Традиционно, робастное обучение основано на локальной инвариантности, что не позволяет произвольно уменьшать устойчивость к обоим типам возмущений. Для поставленной задачи, знание производных изображений по степеням свободы позволяет построить робастное обучение без предположений о локальной инвариантности, в результате чего точность и устойчивость к любым возмущениям ограничиваются только размером сети. Обсуждаются перспективы применения к реальным задачам машинного зрения.