8、深度神经网络对抗稀疏像素缺陷测试验证与多核执行平台对TSP系统的影响

深度神经网络对抗稀疏像素缺陷测试验证与多核执行平台对TSP系统的影响

在当今科技发展中，深度神经网络（DNN）在交通标志识别等领域发挥着重要作用，同时，航空电子系统中的时间和空间分区（TSP）系统也面临着诸多挑战。下面将分别介绍DNN对抗稀疏像素缺陷的测试验证以及多核执行平台对TSP系统在可调度性、安全性和安全性约束下的影响。

深度神经网络对抗稀疏像素缺陷测试验证

在交通标志识别系统的可靠性验证中，研究人员评估了一种新框架的有效性。

实验设置

• 网络模型 ：使用了SimpleCNN、VGG16和Resnet50三种网络。SimpleCNN由两个卷积层和三个全连接层组成，其前两个构建块是带有批量归一化、池化和修正线性激活的卷积层，用于特征提取；分类部分包括一个扁平化层、两个带修正线性激活的全连接层和一个无激活函数的全连接层。所有网络都在德国交通标志识别基准（GTSRB）上进行训练，SimpleCNN在整个GTSRB测试集上达到了96.4%的准确率，VGG16和Resnet50分别达到了97.1%和97.3%。
• 攻击方法对比 ：将基于差分进化策略（DES）的方法与单像素攻击方法以及最先进的稀疏对抗攻击生成方法进行了比较，包括SparseFool（SF）、CornerSearch（CS）、Projected Gradient Descent（PGD）和SparseRS（RS）。

实验过程

• 初始化与停止条件 ：由于DES源自差分进化（DE），两种