訂閱
糾錯(cuò)
加入自媒體

技術(shù)分析:基本的圖像重建場(chǎng)景

金翅導(dǎo)讀

 深度學(xué)習(xí)在各種任務(wù)的預(yù)測(cè)建模方面取得了許多最新進(jìn)展,但是公眾仍然對(duì)神經(jīng)網(wǎng)絡(luò)的非直覺(jué)化泛化行為感到震驚,例如記憶標(biāo)簽改組數(shù)據(jù)的能力和對(duì)抗示例的脆弱性。為解釋神經(jīng)網(wǎng)絡(luò)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(jī)梯度下降的性質(zhì),不同的復(fù)雜性度量,泛化差距,以及來(lái)自不同方面的更多信息模型或算法的觀點(diǎn)。

  本次分享一個(gè)基本的圖像重建場(chǎng)景,其中包括降低低頻語(yǔ)義分量和根據(jù)閾值半徑進(jìn)行高低頻劃分等方法。通過(guò)實(shí)驗(yàn)驗(yàn)證了學(xué)者們對(duì)于頻率分量影響CNN模型優(yōu)化的結(jié)論,其中發(fā)現(xiàn)了人類對(duì)于圖像分類的基本過(guò)程與CNN是有所差異的。因此,觀察結(jié)果導(dǎo)致了與CNN泛化行為相關(guān)的多種假設(shè),包括對(duì)對(duì)抗性示例的潛在解釋,對(duì)CNN魯棒性和準(zhǔn)確性之間的權(quán)衡的討論,以及引用了一些國(guó)內(nèi)外論文對(duì)于高等圖像重建方法優(yōu)化的實(shí)驗(yàn)。

往期 · 推薦


聲明: 本文由入駐維科號(hào)的作者撰寫(xiě),觀點(diǎn)僅代表作者本人,不代表OFweek立場(chǎng)。如有侵權(quán)或其他問(wèn)題,請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過(guò)于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無(wú)評(píng)論

暫無(wú)評(píng)論

    掃碼關(guān)注公眾號(hào)
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯(cuò)
    x
    *文字標(biāo)題:
    *糾錯(cuò)內(nèi)容:
    聯(lián)系郵箱:
    *驗(yàn) 證 碼:

    粵公網(wǎng)安備 44030502002758號(hào)