PulseAugur
中
实时 10:31:42
English(EN) CAM-Guided Saliency Cutout and Image-Based Malware Classification

显著性引导裁剪在恶意软件分类中显示出领域特定影响

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探讨了显著性引导裁剪技术在改进基于图像的恶意软件分类的卷积神经网络（CNN）性能方面的有效性。他们使用ResNet18在RawMal-TF数据集上比较了四种训练条件：无裁剪、标准随机裁剪、低显著性裁剪和高显著性裁剪。结果表明，对于恶意软件图像，所有裁剪方法的效果均略逊于无裁剪，而在自然图像的CIFAR-100数据集上，低显著性裁剪显示出轻微的改进。这表明显著性引导裁剪的效用是领域特定的，恶意软件图像不应与自然图像一概而论。 AI

影响 表明在应用裁剪正则化等通用AI技术时，领域特定的考量至关重要。

排序理由 详细介绍了一种新颖方法和实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

显著性引导裁剪在恶意软件分类中显示出领域特定影响

报道来源 [1]

  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…

相关实体

相关话题