44、卷积网络与自编码器：图像分类、压缩与数据处理

卷积网络与自编码器：图像分类、压缩与数据处理

1. 卷积网络的图像分类及对抗样本

1.1 VGG16 预测问题

VGG16 对新图像的预测结果与正确类别相差甚远。除了低概率的脑珊瑚类别外，系统甚至不认为该图像是动物。例如，对于一张老虎图像，VGG16 给出的预测与实际类别完全不同。

1.2 对抗图像的计算

存在多种计算对抗图像的方法，这些方法为给定图像创建的扰动值范围差异很大。为找到最小扰动，通常值得尝试几种不同方法（也称为攻击）。可以计算对抗样本以实现不同目标，如使输入被错误分类，或使输入被分类为特定的期望类别。制作特定图像时，使用的算法旨在使分类器的前七个预测变得极不可能。具体操作步骤如下：
1. 输入起始图像和分类器的前七个预测。
2. 算法生成对抗样本。
3. 将对抗样本添加到输入并输入分类器，此时新的前七个预测中不包含之前的前七个预测。

1.3 卷积网络的脆弱性

卷积网络作为图像分类器容易被微小的像素值调整所欺骗，这些调整对人类观察者来说是难以察觉的。这表明卷积网络可能在本质上容易受到这些微妙图像操作的影响，并且卷积网络内部还有很多未知之处等待探索。

1.4 不同卷积网络表现

• MNIST 网络 ：规模较小，但能以约 99%的准确率对数字进行分类。
• VGG16 网络 ：用于照片分类，其滤波器开始时寻找简单结构（如边缘），并逐渐构建出复杂而美丽的有机图案。

1.5 卷积网络结构及可视