SummerResearch_Log_20230610

Working Content:

1. 目前要做的任务是将classifier_resnet18.py用的方法做一些改动，原来是训练一个被污染的数据集，然后用干净的测试集去测试正常数据的识别成功率和污染数据的攻击成功率。比如某种dog属于dog类，我现在找了个trigger（比如加了个黑方格到dog的图像上），并且把加了trigger的图像（称作被污染的数据）归为cat类，这个trigger若使得被污染的dog数据全部被识别为cat类，并且保证不被污染的dog数据能全部被识别为dog类，那么这个trigger就是成功的；现在的任务是结合IL(Incremental learning)，让这个模型的成功率更高。

以下是关于这个任务的一些疑惑：

(1) 关于classifier_resnet18.py的疑惑：数据集分类是什么情况，因为一般dataloader会根据文件夹目录进行label的分配，处在同一目录下的应当有同样的label，但是这里给的数据集(1)总共有哪些类别，label是什么？(2)如何分配的label，这里目录下有8个文件夹，不知道如何利用dataloader分配的label？

(2) 如何结合？是说将污染的数据集和干净的数据集分开，然后分别去训练干净的数据集和污染的数据集？还是说跟正常的IL一样，分别训练不同类的数据集，如第一个任务训练1，2类别，第二个任务训练3，4类别……？