由于它们对机器学习系统部署的可靠性的影响，对抗性样本的可转移性成为严重关注的问题，因为它们发现了进入许多关键应用程序的方式。了解影响对抗性样本可转移性的因素可以帮助专家了解如何建立鲁棒和可靠的机器学习系统的明智决策。本研究的目标是通过以攻击为中心的方法提供对对抗性样本可转移性背后的机制的见解。这种攻击的视角解释了通过评估机器学习攻击的影响（在给定的输入数据集中的影响来解释对抗性样本。为实现这一目标，我们使用攻击者模型产生对抗性样本并将这些样本转移到受害者模型中。我们分析了受害者模型对抗对抗样本的行为，并概述了可能影响对抗性样本可转移性的四种因素。虽然这些因素不一定是详尽无遗的，但它们对机器学习系统的研究人员和从业者提供了有用的见解。
translated by 谷歌翻译
在手术室（OR）中，活动通常与其他典型的工作环境不同。特别是，外科医生经常受到多种心理组织的约束，可能会对他们的健康和表现造成负面影响。这通常归因于相关的认知工作量（CWL）的增加，该工作量是由于处理意外和重复性任务以及大量信息以及潜在风险的认知超载而导致的。在本文中，建议在多种四个不同的手术任务中对CWL的多模式识别提出了两种机器学习方法。首先，使用基于转移学习概念的模型来确定外科医生是否经历任何CWL。其次，卷积神经网络（CNN）使用此信息来识别与每个手术任务相关的不同类型的CWL。建议的多模式方法考虑来自脑电图（EEG），功能近红外光谱（FNIRS）和瞳孔眼直径的相邻信号。信号的串联允许在时间（时间）和通道位置（空间）方面进行复杂的相关性。数据收集是由多种感应的AI环境来执行的，用于在Harms Lab开发的手术任务$ \＆$角色优化平台（Maestro）。为了比较拟议方法的性能，已经实施了许多最先进的机器学习技术。测试表明，所提出的模型的精度为93％。
translated by 谷歌翻译
如今，使用微创手术（MIS）进行了更多的手术程序。这是由于其许多好处，例如最小的术后问题，较少的出血，较小的疤痕和快速的康复。但是，MIS的视野，小手术室和对操作场景的间接查看可能导致手术工具发生冲突并可能损害人体器官或组织。因此，通过使用内窥镜视频饲料实时检测和监视手术仪器，可以大大减少MIS问题，并且可以提高手术程序的准确性和成功率。在本文中，研究，分析和评估了对Yolov5对象检测器的一系列改进，以增强手术仪器的检测。在此过程中，我们进行了基于性能的消融研究，探索了改变Yolov5模型的骨干，颈部和锚固结构元素的影响，并注释了独特的内窥镜数据集。此外，我们将消融研究的有效性与其他四个SOTA对象探测器（Yolov7，Yolor，Scaled-Yolov4和Yolov3-SPP）进行了比较。除了Yolov3-SPP（在MAP中具有98.3％的模型性能和相似的推理速度）外，我们的所有基准模型（包括原始的Yolov5）在使用新的内窥镜数据集的实验中超过了我们的顶级精制模型。
translated by 谷歌翻译