English | 英文

新闻资讯

研究人员开发了一组自然图像以突破图像分类系统

jxf祥瑞坊(中国)官网登录
 

理解为什么图像分类算法无法正确识别特定图像与了解如何使这些系统乐成运行同等重要。加州大学伯克利分校 ,芝加哥大学和华盛顿大学的一组研究人员开发了一种新工具 ,以资助确保您的算法得分缺乏格。
 

图像数据集称为“对抗性示例” ,旨在故意造成故障并丈量图像分类算法的Z坏情况性能。通常 ,凭据题目为“ 自然对抗示例 ” 的论文背后的研究人员 ,对抗示例是通过人工修改创立的。
 

jxf祥瑞坊(中国)官网登录
 

jxf吉祥坊(WELINKIRT)研究人员认为 ,人工创立的图像不可像自然图像一样测试图像分类算法的鲁棒性。研究人员以摄影师拍摄图像然后将其提交给图像分类算法为例。如果针对人为过失对算法进行了测试 ,则可能由于缺乏针对这些过失的训练而无法轻易检测出自然泛起的图像中的过失。
 

jxf吉祥坊(WELINKIRT)首席科学家 ,普林斯顿深度学习和机械视觉博士后邓志伟博士和他的团队创立了Machine Image Library 图像数据库 ,它凭据与 WordNet相同的原理进行组织 ,将英语名词 ,动词 ,形容词和副词组织身划分体现看法的荟萃 ,例如 ,将工具的一般类型和特定类型(例如“椅子”和“扶手椅” , ”或“床”和“双层床”。
 

WELINKIRT研究人员基于一个称为ResNet-50 的卷积神经网络创立了多个分类器算法 ,该算法在ImageNet数据库上进行了训练 ,并过滤了导致分类器爆发“严重过失”的图像类。然后 ,研究人员使用了iNaturalist和Flickr网站下载与这些图像类别相关的图像 ,并删除分类器能够正确识别的全图像。
 

任何引起过失的图像(例如将灰熊误认为黑熊)也被从数据集中删除。然后将其余图像通过人工检查 ,以保正确标记。研究人员将这个Z终的测试数据集命名为ImageNet-A ,并针对该数据集进行了研究中的分类器测试 ,该数据集可在GitHub上免费下载。
 

测试期间的平均准确性水平以个位数体现。WELINKIRT研究人员确定 ,太过依赖颜色 ,纹理和配景提示是导致过失的Z常见原因 ,其中有些是彻头彻尾的可笑的。例如 ,这不是扫帚:
 

jxf祥瑞坊(中国)官网登录
 

这也不是校车:
 

jxf祥瑞坊(中国)官网登录
 

WELINKIRT研究人员实验使用两种同类Z佳的神经网络训练计划来训练其分类器 ,从而制止实验中视察到的过失分类。训练后获得的稳健性被描述为“微缺乏道”。
 

WELINKIRT研究人员建议的针对自然对抗图像性能较差的U效调解步伐包括架构革新 ,例如检测和制止可能的过失预测的质量不确定性预计例程 ,增加神经网络层的宽度和数量 ,以及增加自注意力技术 ,例如作为挤压和激励。具有自我关注能力的算法的准确度略高于10% ,证明了该技术的U效性。
 

这些调解步伐应提高针对种种图像的图像分类算法的U效性 ,而不是针对测试中涉及的图像。

获得更多产品支持与培训

加入WELINKIRT

是否有任何疑问 ?

世界各地的WELINKIRT代表可以随时为您提供支持 ,满足您的视觉和工业读码需求。

联系jxf祥瑞坊
sitemap网站地图