生成对抗网络（GAN）在许多应用领域中广泛采用，例如数据预处理，图像编辑和创造力支持。但是，GAN的“黑匣子”性质可防止非专家用户控制模型生成的数据，并产生大量的先前工作，该工作集中在算法驱动的方法上，以提取编辑说明以控制GAN。补充，我们提出了一个Ganzilla：用户驱动的工具，该工具使用户能够使用经典的散点/收集技术来迭代地发现指示，以实现其编辑目标。在与12名参与者的一项研究中，Ganzilla用户能够发现（i）编辑图像匹配提供的示例（封闭任务）的说明，并且（ii）遇到了一个高级目标，例如使脸更加快乐，而同时又实现了。显示个人之间的多样性（开放式任务）。
translated by 谷歌翻译
我们报告了有关流行的Plantvillage数据集用于培训基于深度学习的植物疾病检测模型的调查。我们仅使用来自PlantVillage图像背景的8个像素培训了机器学习模型。该模型在持有测试集上达到了49.0％的精度，远高于2.6％的随机猜测精度。该结果表明，PlantVillage数据集包含与标签相关的噪声，深度学习模型可以轻松利用这种偏见来做出预测。讨论了缓解此问题的可能方法。
translated by 谷歌翻译