基于对抗生成技术的激光雷达点云测试数据扩增系统的设计与实现开题报告

 2023-06-02 09:10:51

1. 研究目的与意义(文献综述包含参考文献)

详见开题报告附件文 献 综 述对抗样本生成技术综述 对抗样本生成技术简介近年来,深度神经网络在机器学习的诸多领域取得了重大进展,如图像分类、目标检测、语音识别、语言翻译与语音合成等方面,均取得了优秀的成绩。

深度学习不需要较多的手动功能设计与专业知识,可以在大数据与硬件加速的作用下,从原始输入特征提取出更高、更抽象的层次表示。

然而,深度学习并不是完全可靠的,其易受人为精心设计的输入样本攻击。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容、问题解决措施及方案

详见开题报告附件本课题研究的关键问题是:1)采用对抗技术以对激光雷达点云数据进行数据扩增;2)数据扩增系统的项目搭建与运维。

拟采用的研究手段是:针对1)采用对抗技术以对激光雷达点云数据进行数据扩增: 项目拟采用基于神经元激活多样化驱动的数据扩增技术。

可以考虑将图像领域中的快速梯度符号法(fast gradient sign method,fgsm)、基于雅可比显著图的对抗样本生成法(jacobian saliency map attack,jsma)等攻击模型梯度的对抗样本生成算法迁移至激光雷达点云领域中,通过对原始输入加上特定的扰动,对深度学习模型中每个神经元的计算过程以进行攻击,得到与模型最终预期不符的结果。

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。