对抗贴片是旨在欺骗其他表现良好的基于神经网络的计算机视觉模型的图像。尽管这些攻击最初是通过数字方式构想和研究的，但由于图像的原始像素值受到干扰，但最近的工作表明，这些攻击可以成功地转移到物理世界中。可以通过打印补丁并将其添加到新捕获的图像或视频素材的场景中来实现。在这项工作中，我们进一步测试了在更具挑战性的条件下物理世界中对抗斑块攻击的功效。我们考虑通过空中或卫星摄像机获得的高架图像训练的对象检测模型，并测试插入沙漠环境场景中的物理对抗斑块。我们的主要发现是，在这些条件下成功实施对抗贴片攻击要比在先前考虑的条件下更难。这对AI安全具有重要意义，因为可能被夸大了对抗性例子所带来的现实世界威胁。
translated by 谷歌翻译
超声检查的诊断准确性提高仍然是一个重要目标。在这项研究中，我们提出了一种基于生物物理特征的机器学习方法，用于乳腺癌检测，以改善基准深度学习算法以外的性能，并提供一张颜色的覆盖层覆盖层的视觉图，这些视觉图是病变中恶性肿瘤的可能性。该总体框架称为特定疾病的成像。以前，分别利用改良的完全卷积网络和改良的Googlenet对150个乳房病变进行了细分和分类。在这项研究中，在轮廓病变中进行了多参数分析。从基于生物物理和形态学模型的超声射频，包膜和对数压缩数据中提取特征。带有高斯内核的支持向量机构建了非线性超平面，我们计算了多参数空间中每个特征的超平面和数据点之间的距离。距离可以定量评估病变，并提出颜色编码并覆盖在B模式图像上的恶性肿瘤的可能性。对体内患者数据进行了培训和评估。在我们的研究中，最常见类型和大小的乳腺病变的总体准确性超过98.0％，分类为0.98，而接收器操作特征曲线下的区域的总体准确性比放射科医生的性能和深度学习系统更精确。此外，概率与BI RAD之间的相关性实现了预测乳腺癌的定量指南。因此，我们预计所提出的框架可以帮助放射科医生实现更准确，方便的乳腺癌分类和检测。
translated by 谷歌翻译
预培训由自然图像组成的大规模数据库，然后进行微调，以适应手头的应用，或转移学习，是计算机愿景的流行策略。然而，KataOka等人，2020年推出了一种通过提出一种新的合成式的基于公式的方法来消除对监督深度学习中的自然图像的需求，以产生2D分形作为训练语料库。对每个类的一种合成产生的分形，它们实现了与在自然图像上预培训的模型相当的转移学习结果。在这个项目中，我们从他们的工作中获取灵感并在这个想法上建立 - 使用3D程序对象渲染。由于自然界中的图像形成过程基于其3D结构，我们预计使用3D网格渲染预先训练，以提供隐式偏置，以便在转移学习设置中更好地提供更好的泛化能力，并且对3D旋转和照明的ImRARECCE更容易基于3D数据学习。类似于以前的工作，我们的培训语料库将是完全合成的，源于简单的程序策略;我们将超越经典的数据增强，也可以在我们的环境中可控的照明和姿势，并研究他们对事先工作的背景下转移学习能力的影响。此外，我们将将2D分数维和3D程序对象网络与人类和非人类灵长类动物的大脑数据进行比较，以了解有关生物视觉的2D与3D性质的更多信息。
translated by 谷歌翻译