S'identifier
FR
[EN] English
[FR] Français
S'identifier
FR
[EN] English
[FR] Français
Donnez votre avis
Chercher et explorer
Chercher
Explore ORBilu
Science ouverte
Open Science
Open Access
La gestion des données de recherche
Definitions
OS Working group
Webinars
Statistiques
Aide
Guide d'utilisation
FAQ
Formats de rapport
Typologies
Reporting
Formations
ORCID
À propos
A propos ORBilu
Mandat
Equipe
Impact et visibilité
À propos des statistiques
Indicateurs bibliométriques
OAI-PMH
Historique du projet
Informations juridiques
Protection des données
Mentions légales
Retour
Accueil
Référence détaillée
Télécharger
Article (Périodiques scientifiques)
Evolutionary Algorithm-based images, humanly indistinguishable and adversarial against Convolutional Neural Networks: efficiency and filter robustness
CHITIC, Ioana Raluca
;
TOPAL, Ali Osman
;
LEPREVOST, Franck
2021
•
In
IEEE Access
Peer reviewed vérifié par ORBi
Permalien
https://hdl.handle.net/10993/49149
DOI
10.1109/ACCESS.2021.3131255
Documents (1)
Envoyer vers
Détails
Statistiques
Bibliographie
Publications similaires
Documents
Texte intégral
FINAL VERSION.pdf
Preprint Auteur (3.06 MB)
Télécharger
Tous les documents dans ORBilu sont protégés par une
licence d'utilisation
.
Envoyer vers
RIS
BibTex
APA
Chicago
Permalink
X
Linkedin
copier dans le presse-papier
copié
Détails
Mots-clés :
adversarial attacks; image classification; evolutionary algorithms
Disciplines :
Sciences informatiques
Auteur, co-auteur :
CHITIC, Ioana Raluca
;
University of Luxembourg > Faculty of Science, Technology and Medicine (FSTM) > Department of Computer Science (DCS)
TOPAL, Ali Osman
;
University of Luxembourg > Faculty of Science, Technology and Medicine (FSTM) > Department of Computer Science (DCS)
LEPREVOST, Franck
;
University of Luxembourg > Faculty of Science, Technology and Medicine (FSTM) > Department of Computer Science (DCS)
Co-auteurs externes :
no
Langue du document :
Anglais
Titre :
Evolutionary Algorithm-based images, humanly indistinguishable and adversarial against Convolutional Neural Networks: efficiency and filter robustness
Date de publication/diffusion :
01 décembre 2021
Titre du périodique :
IEEE Access
ISSN :
2169-3536
Maison d'édition :
Institute of Electrical and Electronics Engineers, Piscataway, Etats-Unis - New Jersey
Peer reviewed :
Peer reviewed vérifié par ORBi
Disponible sur ORBilu :
depuis le 28 décembre 2021
Statistiques
Nombre de vues
202 (dont 16 Unilu)
Nombre de téléchargements
291 (dont 52 Unilu)
Voir plus de statistiques
citations Scopus
®
3
citations Scopus
®
sans auto-citations
0
citations OpenAlex
3
citations WoS
™
3
Bibliographie
Publications similaires
Contacter ORBilu
