基于Lipschitz常数约束的胶囊网络鲁棒性增强

为了提升胶囊神经网络的对抗鲁棒性，本文提出了基于Lipschitz常数约束的正则化方法，利用对抗训练方法来得到更加鲁棒的胶囊网络，将改进后的模型命名为Lips-CapsNet。相比较其它模型而言，Lips-CapsNet计算简便，不需要对胶囊网络的结构做出任何改变。实验结果显示，模型在MNIST、SVHN等数据集上实现了鲁棒性的提升，尤其是在Fashion-MNIST数据集上，在较强的攻击算法下，对抗样本的预测精度提升可达8%。