【论文阅读笔记】Deep neural networks are easily fooled- High confidence predictions for unrecognizable image
与之前提出的添加微小扰动来造成DNN的误判不同,本文提出的是生成一系列人类无法识别,但是却可以被DNN以99.99%的置信度分类的图片。具体而言提出了两种基于进化算法的以及一种利用梯度上升的生成算法。
基于进化算法的主要参考以下流程:
其中第一种EA:保留每个(或单个,如果是针对一个类别来生成)类别的最优生成样本,每次随机选择样本来变异。采用直接编码的方式,首先随机生成每个像素点的值,然后在变异时每个像素值有一定的概率发生变动(通过多项式变异算子),变异后的图像通过DNN模型得到属于不同分类的概率,如果获得的属于某一分类的最高概率大于对应类的最优样本对应概率,则用此变异结果替代对应类所记录的最优样本。
第二种EA:基于CPPN来生成图片,然后通过DNN进行选择并反馈(感觉类似于生成对抗网络)。
第一种EA生成的图片都是很不规则的噪声图像,而第二种基于CPPN的生成算法得到的图片往往都有一定的规律性(这是CPPN的特点)。
另外第三种方法是在像素空间中使用反向传播的梯度上升的算法,计算某一特定类别的softmax单元对应当前输入图像的梯度,按照梯度来增加所选单位的激活度(若使用L2正则化则可以生成某些可识别特征)。
【论文阅读笔记】Deep neural networks are easily fooled- High confidence predictions for unrecognizable image相关推荐
- [论文阅读笔记]Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images
Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images(CVPR201 ...
- [论文笔记]Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images
作者:Anh Nguyen, Jason Yosinski, Jeff Clune 链接:https://arxiv.org/pdf/1412.1897.pdf 摘要: 本文的工作基于Christia ...
- Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images
论文原文:Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images ...
- 论文-Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images
Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images Deep N ...
- Deep Neural Networks are Easily Fooled:High Confidence Predictions for Unrecognizable Images
在卷积神经网络如日中天的现在,重要会议上的论文自然成了广大学者研究的对象.苦苦寻觅,然而并不能搜到"大家们"对论文的见解.痛定思痛,决定对自己看过的论文写点小感.只是个人看法,如有 ...
- [转载]Deep Neural Networks are Easily Fooled: High Confidence Predictions for Unrecognizable Images
论文内容总结 首次提出假反例攻击,即:生成人类无法识别的图片,却能够让神经网络以高置信度分类成某个类别 使用了多种不同的方法生成图片,称为"fooling images" 普通的E ...
- Deep Neural Networks are Easily Fooled High Confidence Predictions for Unrecognizable Images
Layer-Wise Data-Free CNN Compression 我们的无数据网络压缩方法从一个训练好的网络开始,创建一个具有相同体系结构的压缩网络.这种方法在概念上类似于知识蒸馏[23],即 ...
- [深度学习论文笔记][Adversarial Examples] Deep Neural Networks are Easily Fooled: High Confidence Predictions
Nguyen, Anh, Jason Yosinski, and Jeff Clune. "Deep neural networks are easily fooled: High conf ...
- 对抗样本论文学习:Deep Neural Networks are Easily Fooled
近日看了一些对抗样本(adversarial examples)方面的论文,在这里对这些论文进行一下整理和总结. 以下仅代表个人理解,本人能力有限难免有错,还请大家给予纠正,不胜感激.欢迎一起讨论进步 ...
- 【论文阅读】Deep Neural Networks for Learning Graph Representations | day14,15
<Deep Neural Networks for Learning Graph Representations>- (AAAI-16)-2016 文章目录 一.模型 1.1解决了两个问题 ...
最新文章
- python unpack函数_Python numpy.unpackbits函数方法的使用
- mysqlhotcopy 热备工具体验与总结
- 正则提取编码解码问题
- Spring Boot 内置Tomcat——IntelliJ IDEA中配置模块目录设为文档根目录(DocumentRoot)解决方案
- 运用高斯核模型进行最小二乘回归_比特币价格与时间存在关系?一文读懂比特币价值的对数增长模型...
- GitLab CI持续集成配置方案
- 【Android开发坑系列】之事件
- 从生产到分发:AI正在成为“互联网内容平台”的效率神器
- Docker学习总结(2)——Docker实战之入门以及Dockerfile(二)
- Practical Lessons from Predicting Clicks on Ads at Facebook
- Mongodb高级查询【二】
- 用c语言在Clion平台编写system(“cls“)清屏函数无效甚至异常解决方法。
- 《妈妈是孩子最好的老师》读后感
- 教你轻松又简单的绘制地铁线路图
- 两台计算机怎样共享一台打印机共享文件夹,二台不同系统电脑怎么样共享一台打印机...
- 生物信息学常用的在线网站及数据库汇总
- 【原创】Kinect for windows SDK 入门学习资源合辑
- 浅谈OSPF的DRBDR
- 永磁同步电机转子位置估算专题 —— 基波模型类位置估算概要
- 手游大佬(日期模拟)
热门文章
- Kali + Win10双系统下的grub问题
- IEC61850缩略语一览表
- 【Unity开发小技巧】iOS APP下载安装时,如果出现此时无法下载安装APP的字样时,一些解决思路
- css三实现ui,纯CSS实现常见的UI效果
- 如何在金仓数据库KingbaseES中使用pg_get_function_arg_default函数
- 萌新带你开车上p站(一)
- 赵鹏计算机专业,赵鹏 - 安徽大学 - 计算机科学与技术学院
- 文心一言 vs GPT4
- 腾讯云十亿级 Node.js 网关的架构设计与工程实践
- grab显示连不上服务器,grab 暂时链接不到服务器