没有合适的资源?快使用搜索试试~ 我知道了~
目标识别前沿论文最新进展 2018.11.06 方建勇1
需积分: 0 0 下载量 127 浏览量
2022-08-08
21:27:50
上传
评论
收藏 170KB DOCX 举报
温馨提示
试读
131页
摘要:深神经网络(dnn)已在各种信号处理(sp)问题中得到应用。大多数工作要么直接采用 dnn 作为黑盒方法来执行某些 sp 任务, 而不考虑信号模型的任何已
资源详情
资源评论
资源推荐
目标识别前沿论文最新进展
2018.11.06 方建勇
提示:采用手机 safari 微软翻译技术
1. 时间序列分类的转移学习
作 者 :hassan ismail fawaz, germain forestier, jonathan weber ,
lhassane idumghar, pierre-alain muller
摘要: 深度神经网络的迁移学习是首先在源数据集上训练基础网
络, 然后将学习的要素 (网络的权重) 传输到第二个网络以在目
标数据集上进行训练的过程。这一思想已被证明可以提高深度神
经网络在图像识别和对象定位等许多计算机视觉任务中的泛化能
力。除了这些应用外, 深卷神经网络 (cnn) 最近也在时间序列分
类 (tsc) 社区中受到欢迎。然而, 与图像识别问题不同的是, tsc
任务的转移学习技术尚未得到深入研究。这令人惊讶, 因为如果
从预先训练的神经网络对模型进行微调, 而不是从零开始训练,
tsc 深度学习模型的准确性可能会得到提高。在本文中, 我们通过
研究如何为海训方案任务转移深度 cnn 来填补这一空白。为了评
估转移学习的潜力, 我们使用 ucr 归档文件进行了广泛的实验,
该归档文件是包含 85 个数据集的最大的公开可用 tsc 基准。对
于归档文件中的每个数据集, 我们预先训练了一个模型, 然后对
其进行了其他数据集的微调, 从而产生 7140 种不同的深层神经
网络。这些实验表明, 根据用于传输的数据集, 转移学习可以改进
或降低模型的预测。因此, 为了预测给定目标数据集的最佳源数
据集, 我们提出了一种基于动态时间扭曲来测量数据集间相似性
的新方法。我们介绍了我们的方法如何指导传输, 以选择最佳的
源数据集, 从而提高 85 个数据集中的 71 个数据集的准确性。少
2018 年 11 月 5 日提交;最初宣布 2018 年 11 月。
2. fedml: 了解预处理噪声过滤对对抗性机器学习的影响
作 者 :faiq khalid, muhammad abdullah hanif, semeen rehman ,
junaid qadir,muhammad shafique
摘要: 基于深度神经网络 (dnn) 的机器学习 (ml) 算法最近已成
为领先的 ml 范式, 特别是在分类任务方面, 因为它们具有从大
型数据集高效学习的卓越能力。然而, 发现了一些众所周知的攻
击, 如数据集中毒、对抗示例和网络操作 (通过添加恶意节点),
这让人们完全关注基于 dnn 的 ml 系统缺乏安全性。特别是, 恶
意行为者可能会利用这些众所周知的攻击, 通过只对环境参数进
行轻微但系统的操作, 从而导致随机/有针对性的错误分类, 或导
致预测信心的变化,推理数据, 或数据采集块。但是, 以前的大多
数对抗攻击都没有考虑到通常与 ml 推理模块集成的预处理噪
声滤波器。我们在这项工作中的贡献是要显示, 这是一个重大的
遗漏, 因为这些噪音过滤器会使现有的大部分攻击失效, 而这些
攻击基本上是依赖引入对抗性噪音。除此之外, 我们还通过提出
一种新的预处理噪声滤波感知逆转录酶 ml 攻击称为 fad-ml 攻
击来扩展了最先进的技术。为了证明拟议方法的有效性, 我们利
用为 "德国交通标志识别基准" (gtsrb) 培训的 "vggnet" dnn 生
成了一个敌对攻击图像, 尽管该数据集没有视觉噪声, 甚至在预
处理噪声滤波器的存在下也会导致分类器的分类错误。少
2018 年 11 月 4 日提交;最初宣布 2018 年 11 月。
3. isa4ml: 训练数据--对自主车辆机器学习模块的不知情安全攻击
作 者 :faiq khalid, muhammad abdullah hanif, semeen
rehman, muhammad shafique
摘要: 由于大数据分析能力, 机器学习 (ml) 算法在自主车辆的多
个应用中越来越流行。然而, ml 算法具有固有的安全漏洞, 这增
加了对强大 ml 算法的需求。最近, 各种组已经证明, 如何利用
ml 中的漏洞来执行多个安全攻击, 以减少信心和随机/有针对性
的错误分类, 通过使用数据操作技术。这些传统的数据操作技术,
特别是在训练阶段, 引入了随机视觉噪声。但是, 在攻击或测试过
程中, 可以通过噪声检测过滤或人在环检测到这种视觉噪声。本
文提出了一种利用训练后的深部神经网络 (dnn) 的反向传播特
性自动生成 "潜移默化攻击" 的新方法。与最先进的推理攻击不
同, 我们的方法不需要了解攻击图像生成过程中的训练数据集。
为了说明所建议方法的有效性, 我们提出了一个案例研究, 用于
交通标志检测在一个自主驾驶用例。我们部署了针对德国交通标
志识别基准 (gtsrb) 数据集的最先进的 vggnet dnn 培训。我们
的实验结果表明, 在主观测试 (即视觉感知) 和客观测试 (即相
关性和结构相似性指数没有任何明显变化) 中, 所产生的攻击都
是无法察觉的, 但仍然会得到影响成功的错误分类攻击。少
2018 年 11 月 2 日提交;最初宣布 2018 年 11 月。
4. 变形: 基于 3d cnn 的视频理解的灵活加速
作 者 :kartik hegde, rohit Agrawal, yulun yao, christopher w.
fletcher
文摘 在过去几年中, 卷积神经网络 (cnn) 的使用和加速器的设
计都出现了爆炸式增长, 使 cnn 推理成为现实。在架构界, 最大
的努力是针对美国有线电视新闻网的图像识别推理。与之密切相
关的视频识别问题作为加速器目标受到的关注要少得多。这令人
惊讶, 因为视频识别比图像识别需要更多的计算, 预计视频流量
将在未来几年成为互联网流量的大多数。本文通过提供了一种设
计空间探索和灵活的结构来加速三维卷积神经网络 (3d cnn)--现
代视频的核心内核--填补了视频识别算法和硬件进步之间的空白。
理解。与用于图像识别的 (2d) cnn 相比, 高效加速 3d cnn 带来
了重大的工程挑战, 因为它们的内存占用空间大 (且随时间变化),
且尺寸更高。为了应对这些挑战, 我们设计了一种名为 "变形" 的
新型加速器, 它可以根据每个目标 3d cnn 的每一层的需要, 自适
应地支持不同的空间和时间平铺策略。我们在变形硬件的同时设
计了一个软件基础架构, 以找到合适的参数来控制硬件。在最先
进的 3d cnn 上进行评估后, morph 实现了高达 3.4 倍 (平均
2.5倍) 的能耗, 并比基线 3d cnn 加速器提高了 5.1 x (平均 4倍)
的性能, 面积开销为 5%。与 eyeriss 相比, morph 在 3d cnn 上
进一步实现了 15.9x 的平均能量降低。少
2018 年 10 月 16 日提交;最初宣布 2018 年 10 月。
5. 基于两级特征转移的深卷积神经网络特征表示分析--弥漫性肺病
分类分析
作者:aiga suzuki, hidenori sakanashi, shoji kido, hayaru shouno
摘要: 迁移学习是一种机器学习技术, 旨在通过使用从其他学习任
务中获得的预先训练的参数来提高泛化性能。对于图像识别任务,
以前的许多研究都报告说, 当将迁移学习应用于深层神经网络时,
尽管训练数据有限, 但性能仍在提高。提出了一种以纹理医学图
像识别为重点的两阶段特征传递学习方法。在该方法中, 连续训
练了大量的自然图像、一些纹理图像和目标图像。将该方法应用
于弥漫性肺疾病纹理 x 线计算机断层扫描图像的分类工作。在我
们的实验中, 与零学习和传统的单级特征传输相比, 两阶段特征
剩余130页未读,继续阅读
方2郭
- 粉丝: 26
- 资源: 324
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0