在图像识别领域，对抗样本对大家来说，是一个非常棘手的问题。但是，当图像识别应用在人们的生活领域中时，我们还需要那么担心对抗样本的问题吗？康奈尔大学在近日的一篇论文《不用那么担心自动驾驶中物体识别的对抗样本问题》中，给我们解惑了。
论文中首先提出了以下观点：虽说目前多数的机器学习对于对抗干扰很敏感，但只要是图像中选取的方向进行轻微的干扰，就有可能导致出现不一样的结果。打印那些被干扰过的图像，进行拍照，拍摄出来的图片同样导致被误分类。这样也证明了有对抗样本的存在的。
现实世界中的一些关键性质可能就会被忽视：现实世界是可以在不同的角度和距离进行拍照，相比较虚拟世界中图片的单一性，现实中是比较多样化的。这样也证明了现实世界中的对抗样本不会对物体的识别造成干扰。
有人对此进行了实验：在实际环境下，特定的角度和距离拍摄一组对其进行过干扰的照片，这样可能就会导致出现识别器识别错误的情况，但如果在其他的角度和距离再进行识别，可能就不会有影响了。
究竟是什么原因可以识别出大多数的图像呢？他们认为是干扰的对抗特征对图片的尺寸大小有关的。自动驾驶汽车如果从很近的距离识别，那么就不会得到想要的结果。
除此之外，论文中还涉及到另一个关键性的问题：是否有可能研究出这样的对抗性样本，可以在多数情况下使机器可以正确的识别呢？如果可以，将会对人们有巨大的帮助；如果不可以，那只能另寻它法了。
曾做过的实验中也有标明，我们可能不需要担心多数情况下，在现实场景中的读抗性样本的问题，特别是自动驾驶领域。
论文地址：https://arxiv.org/abs/1707.03501
本文转自ATYUN人工智能信息平台，原文链接：康奈尔大学研究表明：对抗性样本不可怕，是可以战胜的！
更多推荐
Mapbox推出Vision SDK，并与Mobileye合作管理自动驾驶汽车数据
Nvidia推出以Jetson Xavier机器人处理器为核心的Isaac机器人平台
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
