Estás leyendo la publicación: Análisis comparativo de modelos populares de clasificación de imágenes
6 modelos de clasificación de imágenes populares en Keras se compararon para la inferencia bajo ataques adversarios
Los modelos de clasificación de imágenes han sido los abanderados de la revolución del aprendizaje automático en las últimas dos décadas. Desde el diagnóstico médico hasta los automóviles autónomos y la fotografía de teléfonos inteligentes, el campo de la visión por computadora tiene su dominio en una amplia variedad de aplicaciones.
La llegada de hardware personalizado para aplicaciones de aprendizaje automático ha impulsado más investigaciones sobre técnicas de reconocimiento de imágenes. Se modificaron los modelos convencionales de aprendizaje profundo y se desarrollaron mejores arquitecturas. Hoy en día hay decenas de buenos modelos de clasificación de imágenes que han demostrado resultados de última generación y queríamos saber cómo se comportan estos modelos bajo ataques adversarios.
En este trabajo, utilizamos modelos Keras pre-entrenados entrenados en el Conjunto de datos de ImageNet para compararlos con los ataques de los adversarios. Probamos la precisión de estos modelos con y sin ruido utilizando imágenes aleatorias que no forman parte del conjunto de datos de ImageNet. Un ataque adversario a una imagen puede ser algo tan simple como un desenfoque.
Keras se ha vuelto popular entre los desarrolladores desde su introducción debido a su peso ligero, está escrito en Python y ofrece API de alto nivel para ejecutar modelos con gran facilidad. Por esta misma razón; es decir, la facilidad de ejecución, hemos utilizado modelos pre-entrenados ofrecidos por Keras.
Encuentre el cuaderno de Colab aquí.
Configuración experimental
Los modelos evaluados son:
- NASNet grande
- Inicio ResNet v2
- Inicio v3
- Red densa 201
- ResNet v2 152
- Xcepción
Hardware/Plataforma
Google Colab/12 GB de RAM/GPU
Capacitación
Hemos utilizado modelos y pesos previamente entrenados de las aplicaciones de Keras.
Estructura
Aplicaciones Keras [9] son modelos de aprendizaje profundo que están disponibles junto con pesas preentrenadas. Estos modelos se pueden utilizar para la predicción, la extracción de características y el ajuste fino. Los pesos se cargan automáticamente al instanciar un modelo.
Lea el informe completo a continuación:
