Inception v3
PulseAugur coverage of Inception v3 — every cluster mentioning Inception v3 across labs, papers, and developer communities, ranked by signal.
-
深度学习模型在检测面部欺骗攻击方面展现出潜力
本研究论文探讨了使用深度学习模型（特别是MobileNetV2、DenseNet-121和Inception-v3）来检测面部识别系统中的欺骗攻击。使用CelebA-Spoof数据集，研究发现MobileNetV2最有效，在保持计算效率的同时达到了92%的准确率。该论文还强调了其他模型泛化的挑战，并建议未来的工作集中在域适应和混合架构上，以提高生物特征安全性。
-
OpenAI 相关研究人员将 FID 集成到训练中，在 ImageNet 上取得低于 0.8 的分数
来自南加州大学、卡内基梅隆大学、香港中文大学和 OpenAI 的研究人员开发了一种名为 FD-loss 的新方法，该方法允许将 Fréchet Inception Distance (FID) 指标直接纳入图像生成模型的训练过程。该技术将统计计算与梯度更新分离，使得小型模型能够在 ImageNet 上实现低于 0.8 的 FID 分数。研究还表明，仅优化 FID 可能不总是能产生最佳的视觉效果，并提出了一个新的指标 FDrk，用于更鲁棒的评估。
-
Spark+AI Summit 2020：笔记涵盖特征工程、数据质量和模型效率
Eugene Yan 撰写的 Spark+AI Summit 2020 笔记涵盖了深度学习和数据工程中的实际应用和通用性会谈。特定应用会话重点介绍了 Airbnb 的 Zipline 等特征工程框架和 Sputnik 数据工程框架，以及 Gojek 的 Feast 和 Netflix 的数据质量方法。通用性会谈则侧重于通过模型剪枝、量化和蒸馏等技术提高深度学习效率，并引用了 IBM 和 Instagram 的示例。
-
OpenAI及研究人员揭示AI在对抗性攻击下的脆弱性
OpenAI的研究人员正在探索神经网络中对抗鲁棒性在不同类型扰动间的迁移性。他们的研究结果表明，针对一种扰动类型的鲁棒性并不总是能保证对其他扰动类型的鲁棒性，有时甚至可能适得其反。他们建议使用多种类型的扰动和不同大小的扰动来评估对抗性防御，以确保全面的安全性。此外，OpenAI正在将对抗性样本作为一个具体的AI安全问题进行研究，并指出它们可能导致严重问题，例如欺骗自动驾驶汽车。