2、上下文相关鲁棒性：神经网络分类器的模型评估与选择

上下文相关鲁棒性：神经网络分类器的模型评估与选择

1. 实验数据与模型

在进行实验时，使用了两个不同的数据集，分别是德国交通标志基准数据集的子集和 CIFAR - 10 数据集。
- 德国交通标志数据集 ：
- 数据情况 ：选取了代表速度标志的七个类别，每个样本是 32×32 的 RGB 图像。具体每个类别的训练和测试样本数量如下表所示：
| Class | Description | # Train | # Test |
| — | — | — | — |
| 0 | 30 km/h | 1980 | 720 |
| 1 | 50 km/h | 2010 | 750 |
| 2 | 60 km/h | 1260 | 450 |
| 3 | 70 km/h | 1770 | 660 |
| 4 | 80 km/h | 1650 | 630 |
| 5 | 100 km/h | 1290 | 450 |
| 6 | 120 km/h | 1260 | 450 |
- 模型构建 ：构建了三个复杂度级别的分类模型，每个级别有两个模型。这些模型的准确率如下表：
| Model | Description | Accuracy |
| — | — | — |
| 1A | Small ReLu only model | 0.816 |
| 1B | | 0.847 |
| 2A | Large ReLu only model | 0.868 |