May, 2023

SPP-CNN: 网络强健性预测的高效框架

PDF
TL;DR该论文提出了一种基于空间金字塔池化卷积神经网络（SPP-CNN）的网络鲁棒性预测框架，该框架可以有效地提高网络对恶意攻击的连通性和可控性的鲁棒性，具有更好的预测性能和泛化能力，相对于其它模型具有更低的时间消耗。
network robustnessmalicious attacksspp-cnnconvolutional neural networkgeneralizability
发现论文，激发创造
  • 基于空间金字塔池化的卷积神经网络网络鲁棒性评估的综合分析

    通过设计一个使用空间金字塔池化网络（SPP-net）的卷积神经网络（CNN）模型，调整现有的评估指标，重新设计攻击模式，引入适当的过滤规则，并将鲁棒性价值作为训练数据，本研究解决了网络连通性稳健性评估中的一些关键问题，同时发现评估网络特征的场景敏感性并需要进一步的关注和优化。

    Aug, 2023

  • 基于卷积神经网络的网络鲁棒性预测学习方法

    使用卷积神经网络提取特征表示的学习方法可以更快、更准确地预测网络的稳健性，并提供一个好的指标来度量其连通性鲁棒性。

    Mar, 2022

  • 深度卷积网络中的空间金字塔池化用于视觉识别

    本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

    Jun, 2014

  • 针对对抗扰动的强健脉冲神经网络研究

    本文提出了新的 SNN 训练方法 S-IBP 和 S-CROWN，并在不同数据集和模型结构中证明了其有效性，最大攻击错误率下降 37.7％，原始准确率下降 3.7％，这是关于 SNN 训练的首次分析。

    Apr, 2022

  • 自适应网络剪枝

    本文提出了一种通过自适应网络剪枝方法（SANP）来降低卷积神经网络的计算成本。该方法引入了通用的显着性和剪枝模块（SPM）来为每个卷积层预测显着性评分，并且针对每个通道剪枝。在两个数据集和三个骨干的广泛实验中，SANP 在分类准确率和剪枝率方面都超过了最先进的方法。

    Oct, 2019

  • 卷积原型学习的鲁棒分类

    本文提出了一种新的学习框架，称为卷积原型学习（CPL），以处理卷积神经网络（CNN）对开放世界识别问题的鲁棒性不足，其中采用了多个分类标准进行网络训练，提出了原型损失（PL）作为正则化以改善特征表示的内部类紧凑性，在多个数据集上实验表明 CPL 可以比传统 CNN 实现可比甚至更好的结果，并且 CPL 在拒绝和增量类别学习任务方面具有明显优势。

    May, 2018

  • 脉冲神经网络对抗鲁棒性的综合分析

    通过对比常规 VGG-9 人工神经网络和等效的 Spiking Neural Network 之间在白盒和黑盒情况下对不同类型单步和多步 FGSM（快速梯度符号法）攻击的准确度降低，证明 SNN 对黑盒攻击更具有韧性。 此外，研究发现 SNN 的鲁棒性很大程度上取决于相应的训练机制。 最后，提出了一个简单而有效的框架，用于从 SNN 中制造对抗性攻击。

    May, 2019

  • 在空间频域中评估对抗鲁棒性

    CNN 模型易受到对抗攻击的脆弱性为安全关键应用的部署带来了担忧，本研究通过在频域中构建空间频率图层来探讨 CNN 模型的脆弱性，通过广泛的实验观察到空间频率 CNN 模型在白盒和黑盒攻击下比常规 CNN 模型更加稳健，此外，发现低频成分对空间频率 CNN 模型的鲁棒性有重大贡献，这些发现将有助于未来设计更加鲁棒的 CNN 模型。

    May, 2024

  • 通过特征模式一致性约束提高对抗鲁棒性

    通过分析网络中的潜在特征行为，我们引入一种新颖而有效的特征模式一致性约束（FPCC）方法，以增强潜在特征维持正确特征模式的能力，从而使模型在面对对抗性示例时具有内在的对抗鲁棒性，超过最先进的模型。

    Jun, 2024

  • 使用卷积空间传播网络学习深度

    这篇研究提出了使用卷积空间传播网络 (CSPN) 进行深度预测的方法，并通过实验展示了其在深度补全和立体匹配任务中的有效性。

    Oct, 2018