简体中文版经机器翻译而成，仅供参考。如与英语版出现任何冲突，应以英语版为准。
推理精度比较
贡献者
建议更改
PDF
为了进行此验证，我们使用一组原始图像对图像检测用例进行了推理。然后，我们对同一组图像执行相同的推理任务，并在推理之前添加了 Protopia 混淆。我们使用 Protopia 混淆组件的不同 ALPHA 值重复了该任务。在 Protopia 混淆的背景下，ALPHA 值表示所应用的混淆量，ALPHA 值越高表示混淆级别越高。然后，我们比较了这些不同运行的推理准确性。
以下两个表提供了有关我们的用例的详细信息并概述了结果。
Protopia 直接与客户合作，确定特定用例的适当 ALPHA 值。
| 组件 | 详细信息 |
|---|---|
型号 |
FaceBoxes（PyTorch）- |
数据集 |
FDDB数据集 |
| 原始托邦的混淆 | 阿尔法 | 准确性 |
|---|---|---|
否 |
不适用 |
0.9337148153739079 |
是 |
0.05 |
0.9028766627325002 |
是 |
0.1 |
0.9024301009661478 |
是 |
0.2 |
0.9081836283186224 |
是 |
0.4 |
0.9073066107482036 |
是 |
0.6 |
0.8847816568680239 |
是 |
0.8 |
0.8841195749171925 |
是 |
0.9 |
0.8455427675252052 |
是 |
0.95 |
0.8455427675252052 |