PulseAugur
中
实时 05:49:10
English(EN) CAM-Guided Saliency Cutout and Image-Based Malware Classification

显著性引导裁剪在恶意软件图像分类中效果不一

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员调查了显著性引导裁剪技术在基于图像的恶意软件分类中的有效性。他们使用RawMal-TF数据集和ResNet18架构进行了实验，比较了四种训练条件：无裁剪、随机裁剪、低显著性裁剪和高显著性裁剪。结果表明，虽然低显著性裁剪略微提高了在自然图像CIFAR-100数据集上的性能，但在RawMal-TF的恶意软件图像上，所有裁剪方法与无裁剪相比，性能均略有下降。这表明显著性引导裁剪的效用是领域特定的，恶意软件图像可能需要不同于自然图像的数据增强策略。 AI

影响 表明恶意软件分类需要领域特定的数据增强策略，可能影响安全AI的开发。

排序理由 该集群描述了一篇在arXiv上发表的研究论文，详细介绍了图像分类技术的实验。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

显著性引导裁剪在恶意软件图像分类中效果不一

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Yasaman Ebrahimi, Martin Jurecek, Mark Stamp ·

    CAM引导的显著性抠图与基于图像的恶意软件分类

    arXiv:2608.11634v1 Announce Type: cross Abstract: Dropout regularization is commonly used to reduce overfitting by removing parts of a neural network during training. For Convolutional Neural Networks (CNN), cutouts serve a somewhat analogous purpose. Cutouts can be implemented a…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    CAM引导的显著性抠图与基于图像的恶意软件分类

    Dropout regularization is commonly used to reduce overfitting by removing parts of a neural network during training. For Convolutional Neural Networks (CNN), cutouts serve a somewhat analogous purpose. Cutouts can be implemented as data augmentation: the original training image i…

相关实体

相关话题