Robustesse dans l'intelligence visuelle

Vision robuste : état de l'art

Explore les défis d'une vision robuste, y compris les changements de distribution, les exemples d'échecs et les stratégies visant à améliorer la robustesse des modèles grâce à une préformation diversifiée des données.

Les classificateurs ImageNet se généralisent-ils?

Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.

L'apprentissage en présence des changements de distribution : comment la géométrie des perturbations joue-t-elle un rôle?

Explore les défis d'apprentissage avec les déplacements de distribution et la géométrie de perturbation, en mettant l'accent sur des classificateurs robustes et la modélisation de variation naturelle.

Évaluation de l'exactitude et de la robustesse de la machine sur ImageNet

Explore l'évaluation de la précision et de la robustesse de la machine et de l'homme sur ImageNet, en soulignant les progrès, les défis et la nécessité d'améliorer.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.