文件名称：HFC:论文的实施（CVPR口头）
文件大小：23.03MB
文件格式：ZIP
更新时间：2024-05-23 15:14:55
Python
高频分量有助于解释卷积神经网络的泛化 和 强调 图1：我们论文的中心假设：在数据收集中，图像的高频成分和“语义”成分之间存在相关性。 结果，该模型将同时感知高频成分和“语义”成分，从而导致与人类背道而驰的泛化行为（例如，对抗性示例）。 图2：从CIFAR10中选择的八个测试样本有助于说明CNN可以捕获高频图像：模型（ResNet18）正确预测原始图像（每个面板中的第一列）和高频重建图像（图3中的第三列）每个面板），但错误地预测了低频重建图像（每个面板的第二列）。 还显示了预测置信度。 详细信息在本文中。 论文中的其他讨论（单击以展开） 精度和鲁棒性之间的权衡（第3节） 在重新考虑泛化之前重新考虑数据（第4节） 重新评估启发式方法（BatchNorm似乎可以促进高频信息）（第5节） 对抗性强的模型往往会滤除高频成分（第6节） 除了图像分类，还观察到类似现象（第7节） 代
【文件预览】：
HFC-master
----scripts()
--------__init__.py(28B)
--------resnet.py(33KB)
----utility()
--------pgd_attack.py(4KB)
--------frequencyHelper.py(6KB)
--------__init__.py(28B)
--------dataLoader.py(664B)
--------attackHelper.py(1KB)
----main.png(334KB)
----README.md(4KB)
----intro.png(300KB)
----poster.png(1.24MB)
----pytorch_implementation.zip(43KB)
----intro.gif(21.55MB)
----.gitignore(52B)