提高合奏学习使用可解释的CNN伪造指纹
1Department of Computer Engineering, Chosun University, Gwangju 61452, Republic of Korea.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
本研究引入了一种新的卷积神经网络 (CNN) 训练方法,使用类激活地图 (CAM) 来提高分类的准确性和稳定性. 通过专注于不同的数据区域,组合网络可以实现最先进的结果.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 卷积神经网络 (CNN) 在分类方面表现出色,但缺乏可解释性,这引发了对有限数据可靠性的担忧.
- 使用多个CNN进行集体学习可以提高稳定性,但往往以精度为代价.
- 训练数据有限对CNN的可靠性和稳定性构成挑战.
研究的目的:
- 提出一种新的CNN训练方法,提高准确性和稳健性.
- 解决基于CNN的分类系统中的可解释性和可靠性问题.
- 通过新的合奏方法,改善CNN在有限的训练数据集上的表现.
主要方法:
- 利用班级激活地图 (CAM) 识别先前训练有素的CNN中具有影响力的地区.
- 在培训新的CNN时,隐藏了已识别的"指纹"区域,具有相同架构的CNN.
- 集成的结果网络,以确保对分类进行全面的特征考虑.
主要成果:
- 在多个传感器上实现了对分类准确度和稳定性的显著提升.
- 在LivDet数据集上展示了最先进的准确性.
- 这种新的训练方法提高了CNN预测的可靠性和一致性.
结论:
- 提出的基于CAM的培训方法有效地提高了CNN的准确性和稳定性.
- 这种方法减轻了经常在合并方法中看到的准确性-稳定性权衡.
- 该技术为基于CNN的分类提供了可靠的解决方案,特别是在数据有限的情况下.
