Mar, 2017

卷积神经网络在识别负面图像方面的限制

PDF
TL;DR本文研究卷积神经网络（CNN）在学习训练数据语义方面的能力，通过对负面图像进行评估，发现当 CNN 在正常图像上训练，测试在负面图像时，模型准确度明显降低，导致我们猜测目前的训练方法不能有效地训练模型来概括概念，引入语义对抗示例的概念，并将负面图像作为其中一类这样的输入。
convolutional neural networkscomputer vision tasksvisual classification problemstraining methodssemantic adversarial examples
发现论文，激发创造
  • 使用语义衰减的负样本进行稳健的对比学习

    本研究通过生成精心设计的负样本，表明对比学习可以学习到更具有鲁棒性的表示，减少对低级特征的依赖，而我们通过纹理和面板增强的方式生成负样本，在特定的 ImageNet 数据集上分类时表现出一定的可行性

    Oct, 2021

  • NLNL: 噪声标签的负学习

    本文提出了一种名为 “SelNLPL” 的优化 CNNs 训练方法，在使用负训练法（NL）的基础上，选择性地使用正训练法（PL）来训练低噪声数据，从而实现对有噪声数据分类的准确性优化。

    Aug, 2019

  • 卷积神经网络的近视性质

    通过小块状的看似无法识别的图块来分类图像可以使卷积神经网络 (CNNs) 的性能匹配或甚至超越使用完整图像训练的 CNNs 的性能，并且过度拟合似乎不是必须的。

    May, 2022

  • ConvNets 和 ImageNet 超越准确性：理解错误和揭示偏见

    本研究从人类参与和解释性的角度出发，探究了 ConvNets 和 Imagenet 在图像分类上的性能、鲁棒性和偏差问题，并以实验和工具提出了解释作为改善模型可靠性和理解性的有效手段。

    Nov, 2017

  • 评估卷积神经网络的形状偏差特性

    本文探讨了卷积神经网络的形状偏差属性，通过使用将亮度反转的负图像等度量方法评估 CNNs 的形状偏差属性，进行大规模实验并研究了不同因素，如训练数据、模型架构、初始化和规则化技术，对 CNNs 形状偏差属性的作用。结果表明，CNNs 不会固有地表现出形状偏差，但是适当初始化模型或适当增强数据和使用批归一化技术，可以使 CNNs 学习和推广结构。

    Mar, 2018

  • 卷积神经网络在图像反问题中的综述

    本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN 的架构以及如何解决学习问题等关键理论。

    Oct, 2017

  • 卷积神经网络结构分析与优化

    本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在 CIFAR-100 上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有 100 万个学习参数，适用于 32x32x3 和 100 类输入，并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。

    Jul, 2017

  • 恶意软件检测中的对抗样本探索

    研究卷积神经网络在恶意软件检测中的应用，探索对抗样本在该领域中的影响，发现之前的攻击不如之前报告的那么有效，同时还存在架构上的弱点，容易遭受新的攻击策略，继而探讨了攻击策略的可变性、提高攻击有效性的权衡以及单步攻击的可转移性。

    Oct, 2018

  • 从像素到情感：通过微调 CNN 进行视觉情感预测

    本研究探讨了如何利用卷积神经网络 (CNNs) 在社交媒体图片数据中进行视觉情感分析，通过微调实验和架构分析，本文提出了几种架构修改方法，使得模型对于图片情感的准确预测性能得到提升，并通过对模型的本地模式展示提供关于模型对于视觉正负情绪感知的见解。

    Apr, 2016

  • 卷积神经网络的智能程度如何？

    通过合成实验，研究深度学习算法从图像中推断简单的视觉概念，如对称性，作者设计了 “啊哈挑战” 以促进对 Gestalt 风格机器智能的研究。实验表明，相比于深度卷积神经网络，人类能够很快推断出语义概念，但需要更少的示例才能做到这一点。

    Sep, 2017