机构名称：
¥ 1.0
摘要 - 大多数计算机视觉算法无法在图像中找到高阶（摘要）模式，因此与人侧向视觉不同，对抗攻击并不强大。深度学习以均匀的方式考虑每个输入像素，因此通常不连接“局部敏感的哈希表”的不同部分，这意味着没有发现高阶模式。因此，这些系统对嘈杂，无关紧要和冗余数据并不强大，从而导致错误的预测错误。相反，脊椎动物大脑通过侧向化提供异质知识表示，从而在不同级别的抽象级别实现模块化学习。这项工作旨在验证侧向方法的有效性，可伸缩性和鲁棒性，这些方法涉及包含嘈杂，无关紧要和冗余数据的现实世界问题。多类（200类）图像分类的实验结果表明，新型系统有效地学习了多个抽象级别的知识表示，从而使其比其他最先进的技术更强大。至关重要的是，新型侧向系统的表现优于所有最新的基于深度学习的系统，用于分类正常和对抗图像的分类。05％ - 41。02％和1。36％-49。分别为22％。的发现证明了异质和侧向学习对计算机视觉应用的价值。
多级视觉分类的侧向学习...
主要关键词
相关文件推荐
