RTX US的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

使用改良CNN模型推斷對抗特徵並實現多種電腦視覺的應用

為了解決RTX US的問題，作者李允龍 這樣論述：

電腦視覺處理已從傳統方法（如精選特徵）到當前最先進的捲積神經網絡（CNN）模型有了顯著改進。使用CNN進行特徵提取是一個自主過程，由機器從數據集中學習。各種因素在此特徵提取中起著主要作用，這可能會使模型容易受到對抗性攻擊和有缺陷的學習。本文解決了三個問題子集，詳細闡述了CNN的強健性和模型訓練過程。第一個問題是處理二維分形布朗運動和二維分形高斯噪聲的分類，二維分形高斯噪聲是具有各種Hessian值的粒子的隨機運動。該數據集在圖像中包含對抗功能。我們評估了各種CNN模型進行分類，並提出了用於分類的最佳集成神經網絡模型，其準確度為97.6％。第二個問題是用於自主農場管理的物件檢測，定位，跟踪和方

向檢測。我們已經提出並實施了人工智能視覺監視，以監視農場中的各種物體及其行為。它還在具有基於IP的監視系統的Nvidia Jetson AGX Xavier和Nvidia RTX 2080Ti上實施，以提高自主農場管理的效率。第三個問題是處理對抗性攻擊。我們評估了COCO數據集上具有各種超參數的對抗攻擊，並推理出最佳實踐以創建可靠的CNN模型。本文詳細介紹了各種CNN模型的實現和工作原理，重點是提高所提出模型的整體強健性。同時我們還討論了對抗功能和對抗攻擊。