时时彩计划软件,时时彩玩法技巧,北京赛车规律数字高手,购彩平台 凤凰彩票

次严谨评估语义朋分模子对匹敌攻击的鲁棒性CVPR2018牛津大学Emotech初

时间:2018-06-17 18:14来源:未知 作者:admin 点击:
79彩票注册图 1:正在 Pascal VOC(a)和 Cityscapes(b)上,基于 ResNet 骨干收集的当前最优模子匹敌鲁棒性凡是更强。挨次按照正在清洁输入上的 IoU 增序陈列。 近期该现象惹起了大量关

  79彩票注册图 1:正在 Pascal VOC(a)和 Cityscapes(b)上,基于 ResNet 骨干收集的当前最优模子匹敌鲁棒性凡是更强。挨次按照正在清洁输入上的 IoU 增序陈列。

  近期该现象惹起了大量关心,可是大部门防御方式都正在某些方面进行了妥协 [2],且常常损害正在清洁输入上的机能 [8]。据本论文做者所知,匹敌样本尚未正在尺度图像分类模子之外进行普遍阐发。因而,现代 DNN 正在更复杂的使命(如正在笼盖分歧范畴的现实数据集上的语义朋分)上对匹敌样本的懦弱性若何仍然不得而知。

  图 2:(a)正在 Pascal VOC 数据集上的无方针攻击中,CRF-RNN 的鲁棒性显著优于 FCN8s。(b)CRF-RNN 对来自 FCN8 的黑箱攻击愈加懦弱,因其「梯度掩蔽」会导致无效的白箱攻击。(c)此外,CRF 对于方针攻击并不「掩盖」梯度,它的鲁棒性和 FCN8s 八两半斤。

  评估目标。因为模子正在清洁输入上的精确率会发生变化,因而研究者利用 IoU 来调整相对目标 [7],权衡匹敌鲁棒性,从收集正在匹敌攻击上的 IoU 到正在整个数据集清洁图像上的 IoU。

  牛津大学&Emotech 尝试室合做的一篇论文初次严谨评估了义朋分模子对匹敌攻击的鲁棒性。该研究阐发了分歧收集架构、模子容量和多标准处置的影响,万家乐娱乐注册展现了分类使命上的良多不雅测成果未必会迁徙到更复杂的使命上,并展现了哪种朋分模子目前更适合五發娱乐城性使用。

  原题目:CVPR 2018 牛津大学&Emotech初次严谨评估语义朋分模子对匹敌攻击的鲁棒性

  CRF 取平均场揣度。曲不雅来看,次严谨评估语义朋分模子对匹敌攻击的鲁棒性定义匹敌扰动的高频成分(high frequency component)能够通过做为低通滤波器的 DenseCRF [5] 的成对项来减轻。对施行 DenseCRF 端到端平均场揣度的 CRF-RNN 的评估表白,它确实对无方针攻击愈加鲁棒(图 2a)。然而,这种鲁棒性的缘由正在于,平均场揣度容易发生过度自傲的预测(由每个像素上边缘分布的熵和最大要率来权衡),这「掩盖」了用于构制无方针匹敌攻击的梯度。因而,朋分文献中常用的手艺天然会采用 [9] 提出的「梯度掩蔽」(gradient masking)防御。这种影响能够通过施行黑箱(图 2b)和方针攻击(图 2c)来规避,正在这种环境下,CRF-RNN 取它所扩展的 FCN8s 收集一样懦弱。

  架构。对分歧架构的评估(图 1)显示,正在 VOC 和 Cityscapes 数据集上,具有残差毗连的模子本身就比链状收集具有更强的鲁棒性。为及时嵌入式平台设想的参数很是少的模子(E-Net 和 ICNet)也是如斯,这取之前 [7, 8] 察看到的环境相反。虽然本论文做者察看到鲁棒性和精确率之间具有相关性,可是精确率最高的收集(PSPNet)并不老是最鲁棒的(Deeplab v2)。

  摘要:深度神经收集(DNN)正在大部门识别使命(如图像分类和朋分)上的机能优异。可是,万家乐娱乐注册它们对匹敌样本具备很高的懦弱性。近期这种现象吸引了大量关心,但并未正在多个大规模数据集和复杂使命长进行普遍研究,如语义朋分,它凡是需要具备额外组件(如 CRF、浮泛北京赛车pk10危害、跳过毗连和多标准处置)的更特地化收集。

  计较机视觉曾经成长到,用于大部门识别使命的深度神经收集(DNN)模子成为普遍可用的商品。可是,虽然 DNN 的绝对机能得分很是高,可是它们对于匹敌样本仍然很是懦弱 [11]。这导致对正在澳门金沙赌场性使用(如无人驾驶中国彩票网上购买或医疗诊断)中利用 DNN 的质疑越来越多,由于它们可能莫明其妙地将一个天然输入错误分类,即便该输入取收集之前准确分类的输入样本几乎一样。此外,这还有可能导致恶意智能体攻击利用 DNN 的系统的环境 [6]。因而,CVPR2018牛津大学Emotech初DNN 对匹敌扰动的鲁棒性可能取正在清洁输入上的预测精确率同样主要。

  多标准处置。Deeplab v2 的多标准处置使其愈加鲁棒。进一步的尝试成果表白,匹敌攻击正在分歧标准下生成和处置时,未必是恶性的。这是由于 CNN 并不是标准和很多其他变换的不变量。万家乐娱乐注册这一点通过评估攻击的可迁徙性(即正在一个标准上生成攻击,正在另一个标准上评估攻击)获得了证明。CNN 缺乏对大量变换的不变性,这也注释了为什么近期关于将 CNN 的输入转换为匹敌防御的论文 [12, 3] 很被看好。

  本论文操纵两个大规模数据集,初次严谨评估了匹敌攻击对现代语义朋分模子的影响。我们阐发了分歧收集架构、模子容量和多标准处置的影响,展现了分类使命上的良多不雅测成果未必会迁徙到更复杂的使命上。此外,我们展现了深度布局化模子中的平均场揣度和多标准处置若何天然地实现近期提出的匹敌防御方式。我们的不雅测成果将支撑将来对理解和防御匹敌样本的研究。就短期影响来看,我们按照朋分模子的内正在鲁棒性,展现了哪种朋分模子目前更适合天天博性使用。

  该论文初次严谨评估了现代语义朋分模子对匹敌攻击的鲁棒性,匹敌攻击无疑是 DNN 的严沉挑和。研究者进行了大量不雅测,提出了良多问题,这有帮于将来理解匹敌样本和开辟更无效防御方式(且不损害精确率)的研究。就短期影响来看,该研究的不雅测成果表白,基于 ResNet、施行多标准处置的 Deeplab v2 等收集内正在鲁棒性更强,更该当用于都坊娱乐城性使用中。dnn因为正在清洁输入上精确率最高的收集未必是最具鲁棒性的收集,因而研究者保举按照论文中的做法,正在多种匹敌攻击上评估模子鲁棒性,以寻找最佳的精确率和鲁棒性组合,然后再使用到实践中。

  模子。本研究基于 VGG [10] 和 ResNet [4] 骨干收集评估模子。研究者还考虑自定义 ENet 和 ICNet 架构用于及时使用。研究者选择的收集展现了多种语义朋分模子独有的方式,如特地池化(PSPNet、DeepLab)、编码器-解码器架构(SegNet、E-Net)、多标准处置(DeepLab)、CRF(CRFRNN)、浮泛御匾会娱乐城(DilatedNet、DeepLab)和跳过毗连(FCN)。

  语义朋分模子凡是添加浮泛pk10平台开户、跳过毗连、前提随机场(CRF)和/或多标准处置等额外组件来扩展尺度图像分类架构,这些额外组件对鲁棒性的影响尚未颠末深切研究。就本论文研究者所知,本论文操纵两个大规模数据集初次严谨评估了匹敌攻击对现代语义朋分模子的影响,并阐发了分歧模子架构、容量、多标准处置和布局化预测的影响,成果表白良多基于分类模子的不雅测成果未必会迁徙到语义朋分这一更复杂的使命中。此外,研究者还展现了深度布局化模子中的平均场揣度(mean-field inference)和多标准处置若何天然地实现近期提出的匹敌防御方式。

(责任编辑:admin)
顶一?
(0)
0%
踩一?
(0)
0%
------分隔?----------------------------