抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習は,近年における視覚認識を大いに改善した。しかし,最近の研究は,このようなアーキテクチャの性能に負に影響することを多くの敵対的例が存在することを示した。は正常例と同じ分布に由来するかどうかを解析することによる敵対的例を検出することに焦点を当てた。adversarialsを検出するための深層ニューラルネットワークを訓練する直接の代わりに,畳込み層からの出力統計に基づいて提案した非常に単純な方法。カスケード分類器はadversarialsを効率的に検出するように設計した。,1つの特別な敵対的発生機構から訓練され,得られた分類器は,完全に異なる機構からadversarialsを検出できた。得られた分類器は,非劣微分可能であり,従って分類器の勾配を用いて攻撃する敵に困難を生じる。敵対的例を検出した後,それらの多くはイメージ上に小さな平均フィルタを簡単に行なうことによって回復できることを示した。これらの知見では,深い畳込み神経回路網における分類機構についてより多くの洞察をもたらすであろう。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】