烟雾图像检测是及早发现火灾的一种重要手段。针对传统LBP(Local Binary Patterns) 特征与Gabor特征的融合算法存在鲁棒性和检测率低的问题,提出一种TDFF(Triple Multi Feature Local Binary Patterns and Derivative Gabor Feature Fusion)的烟雾检测算法。采用T-MFLBP(Triple Multi Feature Local Binary Patterns)算法分别对像素间不同灰度差值以及非均匀模式中特殊位置的像素进行编码计算,可以捕捉更清晰的纹理特征;然后利用高斯核函数的一阶偏导数提取Gabor特征,从而优化提取图像边缘灰度信息的性能;最后对融合后的特征进行训练,可以提高最终分类的准确性。实验结果表明,TDFF算法具有较强的鲁棒性,烟雾图像的检测率也显著优于未改进的传统算法。
2021-03-01 17:05:37
1.87MB
1
自动攻击
“可靠的评估对抗性鲁棒性与各种无参数攻击相结合” 弗朗切斯科·克鲁斯（ Francesco Croce）和马蒂亚斯·海因（ Matthias Hein） ICML 2020
我们建议使用四种不同攻击的组合来可靠地评估鲁棒性：
APGD-CE ，这是我们在交叉熵方面的新的无步长PGD版本，
APGD-DLR ，我们在新的DLR损失上推出的新的无步长PGD PGD版本，
FAB ，将对抗性扰动的规范降到最低 ，
Square Attack ，一种查询效率高的黑盒攻击 。
注意：我们修复了攻击的所有超参数，因此不需要调整就可以测试每个新的分类器。
消息
[2020年10月] AutoAttack在新的基准测试用作标准评估，该基准包含最强大分类器的！ 请注意，此页面和RobustBench的排行榜是同时维护的。
[2020年8月]
更新的版本：为了i）将AutoAtta
2021-02-26 20:03:58
40.47MB
1
具有马尔可夫跳跃参数和区间时变时滞的随机神经网络的新的依赖时滞的全局鲁棒无源分析
2021-02-26 16:07:21
226KB
1