訂閱
糾錯
加入自媒體
當前位置： OFweek 人工智能網   >   機器學習   >  正文

技術分析：基本的圖像重建場景

金翅導讀

 深度學習在各種任務的預測建模方面取得了許多最新進展,但是公眾仍然對神經網絡的非直覺化泛化行為感到震驚,例如記憶標簽改組數(shù)據(jù)的能力和對抗示例的脆弱性。為解釋神經網絡的泛化行為,目前已逐步取得了許多理論突破,包括研究隨機梯度下降的性質,不同的復雜性度量,泛化差距,以及來自不同方面的更多信息模型或算法的觀點。

  本次分享一個基本的圖像重建場景,其中包括降低低頻語義分量和根據(jù)閾值半徑進行高低頻劃分等方法。通過實驗驗證了學者們對于頻率分量影響CNN模型優(yōu)化的結論,其中發(fā)現(xiàn)了人類對于圖像分類的基本過程與CNN是有所差異的。因此,觀察結果導致了與CNN泛化行為相關的多種假設,包括對對抗性示例的潛在解釋,對CNN魯棒性和準確性之間的權衡的討論,以及引用了一些國內外論文對于高等圖像重建方法優(yōu)化的實驗。

往期 · 推薦


聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

人工智能 獵頭職位 更多
掃碼關注公眾號
OFweek人工智能網
獲取更多精彩內容
文章糾錯
x
*文字標題：
*糾錯內容：
聯(lián)系郵箱：
*驗 證 碼：

粵公網安備 44030502002758號