69 benchmarking image set

一个包含69个图像的全面基准数据集，包括清洁图像集、单因素扰动图像集和双因素扰动图像集，用于评估深度学习分类器的鲁棒性。

原始信息汇总

深度学习分类器鲁棒性基准测试使用双因素扰动

概述

本文贡献于深度学习分类器鲁棒性基准测试的基础工作。我们引入了一个新的二维基准测试矩阵来评估深度学习分类器的鲁棒性，并创新了一个四象限统计可视化工具，包括最小准确率、最大准确率、平均准确率和变异系数，用于基准测试深度学习分类器的鲁棒性。

数据集

为了测量鲁棒的深度学习分类器，我们创建了全面的69个基准测试图像集，包括：

• 一个干净的图像集
• 单因素扰动图像集
• 双因素扰动条件图像集

扰动类型

双因素扰动包括：

1. 两种数字扰动（盐与胡椒噪声和高斯噪声）以两种顺序应用
2. 一种数字扰动（盐与胡椒噪声）和一种几何扰动（旋转）以两种顺序应用

实验结果

实验结果表明，使用双因素扰动图像可以提高深度学习分类器的鲁棒性和准确性。

资源共享

所有源代码、相关图像集和初步数据、图表均在在线网站上共享，以支持未来的学术研究和行业项目。