玩手机游戏,享快乐生活!
应用
e签宝2.5.0官方下载_最新e签宝app免费下载 探探3.5.8.2官方下载_最新探探app免费下载 满集开店宝3.0.4官方下载_最新满集开店宝app免费下载 小伴龙外教课1.0.3官方下载_最新小伴龙外教课app免费下载 爱看免费小说1.4.0官方下载_最新爱看免费小说app免费下载 天象3.4.0官方下载_最新天象app免费下载 趣追书小说阅读器1.1.5官方下载_最新趣追书小说阅读器app免费下载 淘小蜜优惠券5.0.0官方下载_最新淘小蜜优惠券app免费下载 卓越管家2.5.6官方下载_最新卓越管家app免费下载 省钱e线3.1.2官方下载_最新省钱e线app免费下载 幻工1.4.2官方下载_最新幻工app免费下载 悦动圈3.1.5.3.1官方下载_最新悦动圈app免费下载 桔子手电筒1.2.0官方下载_最新桔子手电筒app免费下载 MULA2.3.4.1官方下载_最新MULAapp免费下载 知乎6.5.0官方下载_最新知乎app免费下载 花魁10.2.170.0719官方下载_最新花魁app免费下载 摩拍堂1.0.18官方下载_最新摩拍堂app免费下载 欢喜抓娃娃-新手优惠1.1.5官方下载_最新欢喜抓娃娃-新手优惠app免费下载 抢红包外挂1.5官方下载_最新抢红包外挂app免费下载 花魁交友10.2.170.0719官方下载_最新花魁交友app免费下载 团家政商户1.1.3官方下载_最新团家政商户app免费下载 多多医院1.0.26官方下载_最新多多医院app免费下载 超级淘4.3.1官方下载_最新超级淘app免费下载 更多
游戏
熊出没21.0.4官方下载_最新熊出没2app免费下载 贪吃蛇大作战?4.3.6官方下载_最新贪吃蛇大作战?app免费下载 我叫MT9.0.1.0官方下载_最新我叫MTapp免费下载 雷电20183.0.0官方下载_最新雷电2018app免费下载 奥特曼格斗之热血英雄3.0.0官方下载_最新奥特曼格斗之热血英雄app免费下载 黄金矿工冒险记1.0.0官方下载_最新黄金矿工冒险记app免费下载 铠甲勇士41.7.0官方下载_最新铠甲勇士4app免费下载 铠甲勇士英雄归来1.3.2官方下载_最新铠甲勇士英雄归来app免费下载 三国志荣耀17.53官方下载_最新三国志荣耀app免费下载 全民啪啪碰-节奏漂移1.2.0官方下载_最新全民啪啪碰-节奏漂移app免费下载 全民枪战3.17.2官方下载_最新全民枪战app免费下载 斗破苍穹0.0.0.214官方下载_最新斗破苍穹app免费下载 铠甲勇士4之捕将6.0.0官方下载_最新铠甲勇士4之捕将app免费下载 奥特曼超人大战小怪兽3.2.0官方下载_最新奥特曼超人大战小怪兽app免费下载 拳皇命运2.24.172官方下载_最新拳皇命运app免费下载 塞尔之光0.12.712官方下载_最新塞尔之光app免费下载 剑侠世界1.2.9874官方下载_最新剑侠世界app免费下载 阴阳师1.0.66官方下载_最新阴阳师app免费下载 魔与道OL4.06.02官方下载_最新魔与道OLapp免费下载 熊出没4丛林冒险1.2.5官方下载_最新熊出没4丛林冒险app免费下载 王者荣耀1.45.1.11官方下载_最新王者荣耀app免费下载 侠义21.1.8官方下载_最新侠义2app免费下载 植物大战僵尸22.3.93官方下载_最新植物大战僵尸2app免费下载 更多
资讯
满意大众不同层次就医需求 社会办医最大难题是医保 我国系最大疫苗生产国 需把疫苗用法令管起来 银保监会:当地AMC不得帮金融企业虚伪出表掩盖不良资产 “小地摊”上兴起“大商城” “不高兴就捏我出气吧!”揭开减压神器的那些隐秘 北京轨道交通日客运量创前史新高 亚投行成员数增至一百个 借款总额达85亿美元 华海财险违规出售出资型稳妥被罚 总经理任职资历被撤 广西青少年航空航天模型锦标赛在北部湾大学举办 卢森堡财务大臣皮埃尔·格拉梅尼亚:亚投行前期开展效果明显 经济学家李稻葵:防备金融错配危险 两款可弯曲弯折的超薄柔性芯片在杭州发布 亚投行成员增至100个 23省份上调养老金 多省份7月底前完结发放 张狂的生果!苹果6月同比涨幅翻倍却输给鸭梨“山大” 我国财长:亚投行已成为多边开发系统新的重要一员 中山大学第八临床学院深圳挂牌 “芽庄—黄山”航线首航 “百架境外包机飞黄山”项目发动 2019上市公司债款指数发布:需警觉债款健康状况恶化 “中国经济纵深谈”系列述评之五:“购物车”有力拉动“根本盘” 我国吸引外资“言而有信”一路前行 一图看懂2019年中国经济“半年报” 中国经济上半年同比增加6.3% 更多
联系我们
版权说明
Welcome-牛牛游戏平台
当前位置: Welcome-牛牛游戏平台 > 资讯 > 科技

11选5最聪明的玩法:带了个对立图画块,YOLOv2居然无法辨认我是人……

来源:Welcome-牛牛游戏平台 发布时间:2019-04-27 10:12:37 点击数:
对立进犯是核算机视觉范畴的一大研讨热门,怎么使模型对对立进犯具有鲁棒性是许多学者的研讨方向。但之前的研讨首要首要触及具有固定视觉图画的方针,如交通标志。交通标志的外观大致相同,而人的长相千差万别。来自比利时鲁汶大学的研讨者针对人物辨认检测器进行研讨,他们创立了一个 40cm×40cm 的小型「对立图画块」,它居然使人在 YOLOv2 检测器下「隐身」。

Welcome-牛牛游戏平台 www.nrxeeee.com.cn 如下图所示,左边没有带着对立图画块的人可被精确辨认出来,而右侧带着对立图画块的人并未被检测出来。

研讨主题

卷积神经网络(CNN)的鼓起使得核算机视觉范畴获得巨大成功。CNN 在图画上学习时所用的数据驱动端到端流程在很多核算机视觉使命中获得了最优成果。因为这些架构的深度,神经网络能够学习网络底部的根底滤波器,也能学习网络顶层十分笼统的高档特征。

因而,典型 CNN 包括数百万参数。虽然这一办法能够生成十分精确的模型,但其可解释性大大下降。要想精确了解一个网络为何把人分类为人是十分困难的。网络经过调查其他人的很多相片,然后学习到人的长相应该是什么姿态。模型评价进程中,咱们能够比照输入图画和人物标示图画,然后判别模型在人物检测(person detection)使命上的功能。

可是,用这种办法评价模型只能使咱们了解到模型在特定测验集上的功能,而该测验集一般不包括以过错办法操控模型的样本,也不包括用来诈骗模型的样本。这关于不太或许存在进犯的应用是适宜的,比方白叟跌倒检测,但对安防体系来说,这带来了实际问题。安防体系中人物检测模型假如比较软弱,则或许会被用于逃避监控摄像头,损坏安保。

之前的方针检测器对立进犯研讨首要触及具有固定视觉图画的方针,如交通标志(拜见:学界 | 几张贴纸就让神经网络看不懂路途标志,伯克利为实在环境生成对立样本;令人溃散的自动驾驶:看完这个视频后,我不敢「开」特斯拉了),但缺少针对类内改动对立进犯的研讨,如人物检测。

本文首要研讨人物检测的对立进犯,它针对常用的 YOLOv2 方针检测器。YOLOv2 是全卷积的模型,其输出网格的分辨率是原始输入分辨率的 1/32。输出网格中每个单元包括五个猜测(即「锚点」),其鸿沟框包括不同的宽高比。每个锚点包括向量

YOLOv2 模型架构如下图所示:

图 2:YOLOv2 架构。该检测器输出 objectness 分数(包括某个方针的概率,见图中上)和类别分数(哪些类在鸿沟框中,见图中下)。图源:https://github.com/pjreddie/darknet/wiki/YOLO:-Real-Time-Object-Detection

一件逃避人物检测器的「隐身衣」

这篇论文介绍了对立进犯给人物检测体系形成的危险。研讨者创立了一个小型(40cm×40cm)「对立图画块」(adverserial patch),它就像一件隐身衣,方针检测器无法检测出拿着它的人。

论文:Fooling automated surveillance cameras: adversarial patches to attack person detection

论文链接:https://arxiv.org/pdf/1904.08653.pdf

近几年来,人们对机器学习中的对立进犯越来越感兴趣。经过对卷积神经网络的输入稍作修正,就能让网络的输出与原输出简直各走各路。最开端进行这种测验的是图画分类范畴,研讨人员经过略微改动输入图画的像素值来诈骗分类器,使其输出过错的类别。

此外,研讨人员还测验用「图画块」来完成这一意图。他们将「图画块」应用于方针,然后诈骗检测器和分类器。其间有些测验被证明在实际国际是可行的??墒?,一切这些办法针对的都是简直不包括类内改动的类别(如停车牌)。方针的已知结构被用来生成对立图画块。

这篇论文展现了一种针对很多类内改动(即人)生成对立图画块的办法。该研讨旨在生成能够使人不被人物检测器发现的对立图画块。例如可被歹意运用来绕过监控体系的进犯,入侵者能够在身前放一块小纸板,然后鬼鬼祟祟地挨近而不被摄像头发现。

试验证明,该研讨提出的体系能够大大下降人物检测器的精确率。该办法在实际场景中也起作用。据悉,该研讨是初次测验这种针对高档类内改动(如人)的作业。

生成针对人物检测器的对立图画块

本文的方针是创立这样一个体系:它能够生成可用于诈骗人物检测器的可印刷对立图画块。之前的一些研讨首要针对的是停车牌,而本文针对的是人。与停车牌的一致外观不同,人的长相千差万别。研讨者(在图画像素上)履行优化进程,测验在大型数据集上寻觅能够有用下降人物检测精确率的图画块。这部分将深化介绍生成对立图画块的进程。

该研讨的优化方针包括三部分:

  • L_nps:不行印刷性分数(non-printability score),这个要素代表图画块的颜色在一般打印机上的体现。公式如下:

其间 p_patch 是图画块 P 中的像素,而 c_print 是一组可印刷颜色 C 中的一种颜色。该丢失函数协助图画块图画中的颜色与可印刷颜色中的颜色挨近。

  • L_tv:[17] 中描绘的图画整体改动。该丢失保证优化器更喜爱颜色过渡滑润的图画而且避免噪声图画。咱们能够依据图画块 P 核算 L_tv,如下所示:

假如相邻像素比较类似,则分数较低;反之,则分数很高。

  • L_obj:图画中的最大 objectness 分数。对立图画块的方针是躲藏图画中的人。为此,该研讨的练习方针是最小化检测器输出的方针或类别分数。

丢失函数由这三个丢失函数组成:

研讨者将依据试验确认的因子 α 和 β 缩放的三个丢失相加,然后运用 Adam 算法进行优化。

优化器的方针是最小化总丢失 L。在优化进程中,研讨者冻住网络中的一切权重,只改动对立图画块中的值。优化开端时,依据随机值初始化对立图画块。

图 3 概述了方针丢失的核算进程,类别概率也是依据相同的进程核算的。

图 3:核算方针丢失的进程。

试验

研讨者运用和练习时相同的进程,将对立图画块应用于 Inria 测验集以进行评价。在试验进程中,研讨者最小化一些或许躲藏人的不同参数。作为对照,研讨者还将其成果与包括随机噪声的图画块进行了比较,二者的评价办法彻底相同。

图 5:不同办法(OBJ-CLS、OBJ 和 CLS)与随机图画块(NOISE)和原始图画的 PR 曲线比照。

表 1:不同办法的 recall 比照。不同办法逃避警报的作用怎么?

图 6 展现了将该研讨创立的对立图画块应用于 Inria 测验集的一些示例。

图 6:在 Inria 测验集上的输出示例。

在图 7 中,研讨者测验了可印刷图画块在实际国际中的作用。

图 7:在实际国际中运用该可印刷图画块的状况。

该研讨已发布源代码:https://gitlab.com/ EAVISE/adversarial-yolo,感兴趣的读者能够一探终究。

应用 | 游戏 | 资讯 | 联系我们 | Welcome-牛牛游戏平台 | 八卦 |

浙公网安备 33060202000544号
Copyright?十八楼 All Rights Reserved.

排列三预测_排列三预测官网 | 韩国快乐8官方网站 | 赛迪网 | 手游征途游戏怎么赚钱 2000年开什么赚钱 手机游戏什么游戏能赚钱 陶艺吧赚不赚钱 仙剑奇侠传四哪里赚钱快 免费代理麻将棋牌软件 目前不起眼的赚钱行业 自己养翻斗车赚钱吗 转的笔顺赚钱的笔顺 109赚钱还是69