首页/数据集/Analysis of Changes in Loss Function under Different Levels of Interference before and after Improvement.

Analysis of Changes in Loss Function under Different Levels of Interference before and after Improvement.

Figshare2025-06-13 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/Analysis_of_Changes_in_Loss_Function_under_Different_Levels_of_Interference_before_and_after_Improvement_/29316996 数据链接链接失效反馈

官方服务：

资源简介：

Analysis of Changes in Loss Function under Different Levels of Interference before and after Improvement.

应用场景：

创建时间：

2025-06-13

相关数据集

Tiny ImageNet异常样本数据

图异常检测

模型鲁棒性评估

本数据集基于TinyImageNet图像识别任务，采用随机像素扰动、颜色通道干扰、部分图像遮挡、随机裁剪与缩放等异常样本生成策略，构造异常数据集。数据目录下包含100000条异常样本数据，每条数据对应原始图像和异常样本图像，总计100000×2=200000条数据。所有图像均以JPEG格式存储，并使用索引编号及[clean,noisy]进行数据类型区分（如class_1_clean.jpg、cla

国家基础学科公共科学数据中心190

ML_LOSS_mean_50degree_constrain

机器学习

损失函数

This is the final LOSS maps (mean) at 0.5 degree used in our ML constraint approach.

DataCite Commons2022-02-21 更新90

Attack success rates of different single-step attack methods.

对抗性评估

模型鲁棒性评估

Attack success rates of different single-step attack methods.

Figshare2025-01-07 更新40

aimo-interp-challenge-sample-full

模型鲁棒性评估

排列扰动测试

该数据集用于评估模型在问题（或任务）排列下的性能变化，旨在分析排列操作对模型准确率的影响。数据包含多个特征字段，如模型ID（model_id）、数据集ID（dataset_id）、问题ID（problem_id）、原始问题（original_problem）、排列类型（permutation_type）、排列来源（permutation_source）、基准准确率（base_accuracy）、排

Hugging Face2026-05-14 更新120

DroneVehicle-C

无人机车辆检测

模型鲁棒性评估

DroneVehicle-C 是一个基于 DroneVehicle 数据集测试集生成的破坏版本数据集，旨在为无人机平台下的多模态（RGB 与热红外 TIR）车辆检测任务提供一个鲁棒性基准测试平台。该数据集通过对原始测试集图像施加多种系统性的破坏来模拟真实世界中的传感器退化或恶劣环境条件。数据集中包含 23 种不同的破坏条件，分为两大类：RGB 图像破坏（同时 TIR 图像保持干净）和 TIR 图像

Hugging Face2026-06-20 更新80