Lime算法是基于局部代理模型来对单个样本进行解释。假设对于需要解释的黑盒模型，取关注的实例样本，在其附近进行扰动生成新的样本点，并得到黑盒模型的预测值，基于新的数据集训练可解释的模型来得到对黑盒模型良好的局部相似。算法优点:（1）LIME可以应用到多个场景中，不仅仅可以对卷积神经网络中的图像分类，而且还可以应用到自然语言处理（NLP）当中。而LIME算法它与模型无关，他的可用性强（2）LIME算

进行模型训练结果的可视化结果如下:观察上述结果可以发现，在训练批次为8左右模型的训练结果尚好，验证集的准确率在不断增加， 训练集尽管他的准确率还在提高，但在20以后验证集准确率趋于稳定，尽管越到后面的训练批次模型的准确率在不断升高，但实际已经发生了模型在训练集上的过拟合。

传统小目标检测算法流程1.输入待检测图片对象，首先对待检测图片进行候选框提取。1.输入图像，开始训练，首先进行数据预处理（可采用图片翻转、图片缩放，CutOut、CutMix、MixUp、Moasaic等处理手段）2.采用一些经典的模式识别中的算法（基于颜色、基于纹理、基于形状等语义特征的方法）进行特征提取2.检测网络。包含基础骨干（卷积网络、转换器网络）、特征融合（金字塔结构、编解码结构）、初始

本人彩色图片的识别之后，我们可以看到搭建的CNN网络过于简单，我建议大家可以搭建更加复杂的或者使用更加复杂得网络进行图片识别，本实验准确率不是很高，有待提升,大家也可以使用更加复杂得或者其他网络进行实验发现idea。

隐写分析是指对隐写的攻击，目的是为了检测秘密信息的存在甚至破坏秘密通信。隐写分析主要分为主动分析和被动分析：主动分析是指以提取秘密信息为目标，估计嵌入的米秘密信息长度、嵌入位置、嵌入算法使用的密钥、删除或破坏一i那些对象中的秘密信息等被动分析只需要检测到秘密信息和秘密通信的存在。目前，文本隐写分析的主要目标是将文本区分为含密文本和不含密文本。为了对文本进行分类，需要提取出能够表征文本的统计特征，然