计算机视觉是人工智能的重要分支，旨在使计算机理解图像和视频。其应用包括微软的Seeing AI，帮助盲人识别环境。核心能力包括图片分类、物体检测和语义分割，广泛应用于医疗、安防和自动驾驶等领域。

本研究建立了对抗性鲁棒性评估标准，分析了鲁棒模型在图片分类和表格数据中的表现。实验表明，数据更改强度过大无法反映真实情况，且高分辨率下基于梯度的攻击泛化能力差。提出的新攻击方法CAPGD和CAA强调了多样化攻击的重要性，以提高模型鲁棒性。此外，研究探讨了数据集蒸馏对鲁棒性的影响，发现结合蒸馏数据可增强模型的抗攻击能力。

本文介绍了一种使用深度神经网络和新正则化层 Batch Averager 的方法，将有标注数据的深度神经网络转换为无标注学习的方法。作者通过 Twitter 用户的 tweets 和个人资料图片，预测 Twitter 用户的性别和种族 / 民族信息，并发现深度 LLP 方法在文本和图片分类方面均优于基线方法，并且协同训练算法可以将文本和图片分类的绝对 F1 值分别提高 4％和 8％。最后，采用文本和图片分类器的集合进一步平均提高了绝对 F1 值 4％。

本文介绍了一种使用深度神经网络和新正则化层 Batch Averager 的方法，将有标注数据的深度神经网络转换为无标注学习的方法。作者通过 Twitter 用户的 tweets 和个人资料图片，预测 Twitter 用户的性别和种族 / 民族信息，并发现深度 LLP 方法在文本和图片分类方面均优于基线方法，并且协同训练算法可以将文本和图片分类的绝对 F1 值分别提高 4％和 8％。最后，采用文本和图片分类器的集合进一步平均提高了绝对 F1 值 4％。

本文介绍了一种使用深度神经网络和新正则化层 Batch Averager 的方法，将有标注数据的深度神经网络转换为无标注学习的方法。作者通过 Twitter 用户的 tweets 和个人资料图片，预测 Twitter 用户的性别和种族 / 民族信息，并发现深度 LLP 方法在文本和图片分类方面均优于基线方法，并且协同训练算法可以将文本和图片分类的绝对 F1 值分别提高 4％和 8％。最后，采用文本和图片分类器的集合进一步平均提高了绝对 F1 值 4％。