模式识别与机器智能前沿研讨会
2021-10-29
中国自动化学会模式识别与机器智能专业委员会CCA-PRMI
会议内容
刘成林 自动化所 开场
北京大学 王立威
- 对抗鲁棒性问题（ADversarial Example）
问题：加上很小的扰动的图像，人能够识别，机器却识别不出（鲁棒性差）
加入噪声正确率从90+变成极低
虚线分类器：将边界点加上刻意的扰动（垂直于虚线的向量），就会错判。
实线分类器：不会判错。
看数据点与其不同类的数据的最近距离，最近距离的分布：
说明在实际的数据集上，不同类之间的数据点的距离是很大的。
-
为什么不鲁棒：
鲁棒差：Lipschitz Constant 大，反之小
LC大的原因：
1.神经元的定义：
2.Batch Normaliazation
-
重新设计网络，为让LC严格受控，对网络的根本单元做出全新设计
要点：l无穷距离，使得LC＜=1，保证输入有微小变化，输出也变化微小 -
检验鲁棒性：
1.针对某一种攻击做实验
2.Certified Robustness 。对任何攻击都有鲁棒的保证
3.是否能以任意精度逼近，即是否能表达LC＜=1的目标函数
4.泛化能力（从数学上证明了）
-
训练的技术
用lp距离近似l∞距离
详看论文 -
实验结果
任何attack都有保障 -
论文：https://arxiv.org/abs/2102.05363
中山大学 林倞
清华大学 鲁继文
- 特征表示是视觉领域发展的核心推动
- 基础模型决定视觉特征表示的性能
- 模型架构
1.图像识别
2.视频理解
3.三维视觉
在这里插入图片描述
- 学习范式
1.有监督学习
2.无监督学习
