hualubei2020-callingsmoking
hualubei2020-callingsmoking copied to clipboard
fire717
对抗学习的预训练模型
Update (January 23, 2020)
This update adds a new category of pre-trained model based on adversarial training, called advprop. It is important to note that the preprocessing required for the advprop pretrained models is slightly different from normal ImageNet preprocessing.
更新（2020 年 1 月 23 日）
此更新添加了一个新类别的基于对抗训练的预训练模型，称为 advprop。需要注意的是，advprop 预训练模型所需的预处理与普通 ImageNet 预处理略有不同。
你好，这一句话 “考虑到图片有很多比较模糊的，选择了使用对抗学习的预训练模型”，是怎么进行理解的，训练模糊数据和对抗学习的预训练的联系是怎么产生的？
在对抗样本中一些比较细微的甚至像素级的改动都会导致模型出错，因此对抗学习可以提升模型的泛化性，也使得模型训练出来更关注全局特征而不是某一些细节。而模糊图片可能就是会丢失很多细节。 当然这只是个人的一些理解，不一定对。主要还是尝试了发现实验结果的确能够提升，因此最终采用了。
在对抗样本中一些比较细微的甚至像素级的改动都会导致模型出错，因此对抗学习可以提升模型的泛化性，也使得模型训练出来更关注全局特征而不是某一些细节。而模糊图片可能就是会丢失很多细节。 当然这只是个人的一些理解，不一定对。主要还是尝试了发现实验结果的确能够提升，因此最终采用了。
实验结果有提升，证明是一个好方法哈。根据你的描述（在对抗样本中一些比较细微的甚至像素级的改动都会导致模型出错），我的理解 可能 模型是对图像（也许是不模糊的图像，而不是你想要针对的模糊图像）区域的变化更加敏感，也就是更能发现图像细节的变化（比如手机和吸烟的图像区域的不同），从而模型的感知能力更强了，也就分类得更准确了。不错的想法。
不是的，在对抗样本中一些比较细微的甚至像素级的改动都会导致模型出错, 因此使用对抗学习降低这种对抗样本导致的错误， 因此会让模型对图像区域变化更加不敏感， 从而泛化能力更强。
不是的，在对抗样本中一些比较细微的甚至像素级的改动都会导致模型出错, 因此使用对抗学习降低这种对抗样本导致的错误， 因此会让模型对图像区域变化更加不敏感， 从而泛化能力更强。
OK。对抗学习这方面我得去补充下知识，导致我认知偏差太多了，GET。