澳门娱乐vip真人在线最高占成:忽悠AI图像识别系统的新方法:随机复制并粘贴

2018-09-19 09:09 稿源:雷锋网  0条评论
本文来源:http://www.2233858.com/xinwen_eastday_com/

太阳成娱乐成总代理,征得同意后,陈墨以芙蓉姐姐的名义在天涯上注册一账号,把照片发到上面。据了解,宝驾出行把分时租赁作为主营业务主要基于三方面的考虑。  财新记者:对于未来的生活你有什么规划吗?  张焕枝:我今年72岁了,我想过几年平静、轻松的生活,我想有更多时间跟家人呆在一起,老伴生病需要人照顾,我有个可爱的外孙,现在读大学了,我想花更多精力在家人身上。本网站使用了cookie功能,使用户不会重复浏览到相同的内容并可以获得最新的信息,网站会存储和获得用户登录信息,但我们不会使用cookie来跟踪任何个人信息。

我们公司就是平台,节目在芒果TV播出。对于余佳文来说,让泡妞变得更简单,就是他的梦想。公司表示,AmyMellen加入公司17年之久,她将于本月底离开公司寻求其他发展机会,其离职公告会在近日正式发布,但她未透露其未来计划。因为这是最大的刚需,只有想法的内容创业者固然需要学习技能、培养对视频的基础认知,但运营端也是他们必须一开始就要注意的方向。

  他表示,此次债券购买计划延期目标在于确保货币政策能够确保通胀达到目标,“具体来讲,延长购买计划允许我们拥有更具持续性的市场存在(marketpresence),以及因此,我们的刺激措施能传递的更持久。中间,天仙妹妹的分量也在公司逐步褪色。中国货币网如下:如图所示,中债登和上清算所有的品种上面绝大部分都有。  胡振鹏说,鄱阳湖每年排出长江水1460亿立方米,采砂按每年4000万立方米计算,并不会对鄱阳湖造成较大影响。

图片来源图虫:已授站长之家使用

本文作者:图普科技

按:本文由「图普科技」编译自AI image recognition systems can be tricked by copying and pasting random objects

你并不总是需要构建复杂的算法来扰乱图像识别系统——你只要在随机位置添加对象就行了。

大多数情况下,可以用对抗模型更改一些像素以扭曲图像,从而使目标识别出现错误。一些例子包括用一张小贴纸让香蕉图像秒变烤面包机,或戴傻眼镜忽悠面部识别系统。乌龟被误认为是一支步枪的经典案例证明了欺骗人工智能是一件多么容易的事情。

然而,约克大学和加拿大多伦多大学的研究人员现已证实,将物体图像复制并粘贴到原图像中,就可以误导神经网络,无需耍任何花招。

目标移植

他们利用 Tensorflow 物体识别 API 中的模型进行了一系列实验。Tensorflow 物体识别 API 是一个由 Google 工程师构建的开源框架,用于执行图像识别任务。该 API 是构建在 TensorFlow 代码之上的另一层,描述了卷积神经网络的架构。

研究人员从某张图像中获取一个对象并将其添加到另一图像的不同位置,然后将这些图片输入到 API 中。arXiv 在发表的论文中将此技术称为「目标移植(object transplanting)」。

在第一个例子中,研究人员在一名男性坐在其起居室的图像中添加了一张大象的图像。该模型在不同目标周边输出了一系列彩色边界框,并计算了不同目标识别结果的可能性。它识别出目标是一名人类和笔记本电脑的可能性为99%,椅子为81%,手提袋为67%,书籍和杯子为50%。

到目前为止该模型的表现还不错。但当将大象的图片添加到同一图像中时,模型识别开始出现混乱。当大象图片被粘贴在红色窗帘上时,模型对于图中椅子的识别突然变得不那么自信了,评级从81%下降到了76%,但它对于桌面上有一个杯子的可能性从50%增加到了54%。

更奇怪的是,当大象图片被直接复制并粘贴在人的头顶上时,它被识别为椅子。当将动物的图片粘贴在场景中的不同位置时,它只在两个地方被正确识别:当它被放置在笔记本电脑和书柜的顶部时。

当大象的图片粘贴在场景中的不同位置时,API难以正常识别。在许多情况下,它完全无法识别。

图片来源:Rosenfeld等。

尽管如此,但该API仍可能正确识别物体,因为很少出现大象与一些客厅中的常见物品混在一起的图像。“神经网络从未见过两个不同类别物体在同一图片中组合,我们不可能指望神经网络能够在测试时成功处理这类图像”该论文写道。

但该测试并不是一个不公平的测试,它凸显了神经网络的脆弱性,他们无法轻松适应不在其训练数据内的新图像。研究人员写道:“我们认为要求不同物体类别在训练集中成对出现是不合理的,无论是在实践还是理论层面。”

人工智能很难识别重复图像

当该研究团队复制图像中已有的目标对象时,API仍然难以识别。

该模型可以毫不费力地从原图片中挑选出在显示器前面的键盘上躺着的猫。然而,当在图片上再添加一张该猫的照片,并重新调整使它看起来像是直接放在第一只猫后面时,猫的脚掌被识别为狗,键盘的一角被识别为一本书。

该团队用不同的图像重复进行了实验,结果牛头成了马,棒球棍成了笔记本电脑,手提包成了杯子 - 你现在明白了吧。

添加图像中已有的相同对象也具有相同的效果。图片来源:Rosenfeld等。

该论文解释说,从不属于真正目标区域内的像素中获取的特征会使图像中的物体变得混乱。“对于目标感兴趣区域ROI内部的像素以及ROI之外的像素,都是如此。”

这是所有图像分类模型都面临的难题。它们都是通过给定区域上一系列像素的特征来识别对象,但这意味着来自其他对象的像素可以与之重叠,从而使它们混淆。

研究人员将此问题称为“局部遮挡”。“局部遮挡被普遍认为是物体检测面临的一大挑战。成功解决局部遮挡问题将是实现泛化的好兆头。”

“这里生成的图像可以看作是对抗样本的一种变体,其中一些小图像带来的干扰(人类难以察觉)会导致神经网络的输出结果出现大幅度变化,”该论文总结道。

相关文章

相关热点

查看更多
?
申博游戏手机怎么下载 菲律宾太阳网a99.com 菲律宾申博红太阳娱乐直营网 太阳城官方直营网登入 菲律宾申博太阳网上娱乐99 太阳城亚洲游戏登入
www.66sbc.com 申博游戏吧直营网 申博微信支付充值 菲律宾申博太阳城登入 申博真人游戏登入 菲律宾太阳城申博登入
太阳城在线注册登入 太阳城申博娱乐城登入 菲律宾申博管理网 申博太阳城网址 www.516sun.com 老虎机支付宝充值