基于迁移学习的工业控制系统截图分类
计算机视觉与模式识别
2020-09-14 v3
摘要
工业控制系统严重依赖安全与监控协议。为此目的有多种工具可用，它们探查漏洞并从各类控制面板截取屏幕截图以供后续分析。然而，它们未能将图像充分分类到特定的控制组中，这会给人工操作员的作业带来困难。为解决此问题，我们使用五种在 ImageNet 上预训练的 CNN 架构进行迁移学习，以确定哪一种最能分类从工业控制系统获取的截图。利用 337 张人工标注图像，我们训练这些架构并研究它们在准确率以及 CPU 和 GPU 时间上的表现。我们发现 MobilenetV1 是最佳架构，基于其 97.95% 的 F1 分数，以及其在 CPU 上每图像 0.47 秒的速度。在对时间要求严苛且有 GPU 的系统中，VGG16 更可取，因为它处理图像仅需 0.04 秒，但性能降至 87.67%。
引用
@article{arxiv.2005.10098,
title = {Classification of Industrial Control Systems screenshots using Transfer Learning},
author = {Pablo Blanco Medina and Eduardo Fidalgo Fernandez and Enrique Alegre and Francisco Jáñez Martino and Roberto A. Vasco-Carofilis and Víctor Fidalgo Villar},
journal= {arXiv preprint arXiv:2005.10098},
year = {2020}
}