- 2024-07-22攻击方法(Adversarial method)
简介本文基于文章AReviewofAdversarialAttackandDefenseforClassificationMethods的总结,提供对抗领域的几种常见的攻击方法;一、基于梯度的攻击(Gradient-BasedAttack)非常经典的一种攻击方式,传统论文采用的攻击方法如FGSM,PGD,BIM,C&W等都是基于梯度的攻击方法这些
- 2024-03-17【论文阅读】Learning Transferable Adversarial Perturbations 学习可转移的对抗性扰动
文章目录一、文章概览(一)问题提出(二)文章的主要工作(三)相关工作二、模型细节(一)模型损失函数(二)训练算法(三)扰动的可迁移三、实验:评估攻击策略在不同环境中的有效性(一)实验设置(二)向未知目标模型的可转移性(三)向未知目标数据的可转移性(四)极端的跨域可转移性(五)稳健模型的可迁移性
- 2024-03-13【论文阅读】Natural Adversarial Examples 自然对抗的例子
文章目录一、文章概览(一)摘要(二)导论(三)相关工作二、IMAGENET-A和IMAGENET-O(一)数据集构造方式(二)数据收集过程三、模型的故障模式四、实验(一)评估指标(二)使用数据增强(三)使用更多更真实的标记数据(四)架构变化策略一、文章概览(一)摘要文章的主要工作:使用简单的对抗性过
- 2023-12-31GANs in the Wild: RealWorld Applications of Generative Adversarial Networks
1.背景介绍生成对抗网络(GenerativeAdversarialNetworks,GANs)是一种深度学习算法,由伊戈尔·Goodfellow等人于2014年提出。这种算法通过两个神经网络来学习数据分布:一个生成器(Generator)和一个判别器(Discriminator)。生成器的目标是生成类似于训练数据的新数据,而判别器的目标是区分这
- 2023-12-20论文阅读-Self-supervised and Interpretable Data Cleaning with Sequence Generative Adversarial Networks
1.GARF简介代码地址:https://github.com/PJinfeng/Garf-master基于SeqGAN提出了一种自监督、数据驱动的数据清洗框架——GARF。GARF的数据清洗分为两个步骤:规则生成(RulegenerationwithSeqGAN):利用SeqGAN学习数据中的关系(datarelationship)。然后利用SeqGAN中
- 2023-11-08[论文阅读] [SAGAN] Self-Attention Generative Adversarial Networks
Self-AttentionGenerativeAdversarialNetworks(mlr.press)ZhangH,GoodfellowI,MetaxasD,etal.Self-attentiongenerativeadversarialnetworks[C]//Internationalconferenceonmachinelearning.PMLR,2019:7354-7363.引用:4501原作者代码:brain-research/self-
- 2023-11-07[论文阅读] [SNGAN] Spectral Normalization for Generative Adversarial Networks
1802.05957.pdf(arxiv.org)MiyatoT,KataokaT,KoyamaM,etal.Spectralnormalizationforgenerativeadversarialnetworks[J].arXivpreprintarXiv:1802.05957,2018.生成式对抗网络的频谱归一化,相比于WGAN-GP在激进的学习率和β1&β2下表现更好引用:4453代码:https:
- 2023-11-03【论文阅读】Generative Adversarial Nets
GoodfellowI,Pouget-AbadieJ,MirzaM,etal.Generativeadversarialnets[J].Advancesinneuralinformationprocessingsystems,2014,27.引用:61648原作者代码:GitHub-goodfeli/adversarial:Codeandhyperparametersforthepaper"GenerativeAdversarialN
- 2023-06-19SNN-RAT: Robustness-enhanced Spiking Neural Network through Regularized Adversarial Training
郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布!同大组工作 Abstract
- 2023-05-09Robust Deep Reinforcement Learning through Adversarial Loss
郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布!35thConferenceonNeuralInformationProcessingSystems(NeurIPS2021) Abstract最近的研究表明,深度强化学习智能体很容易受到智能体输入上的小对抗性扰动的影响,这引发了人们对在现实世界中部署此类代理的担
- 2023-05-05[Pix2Pix] Image-to-Image Translation with Conditional Adversarial NetWorks
paper:https://arxiv.org/pdf/1611.07004.pdf[CVPR2017]code:https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixhttps://phillipi.github.io/pix2pix/[official]数据组织:需要成对图像这是加利福利亚大学在CVPR2017上发表的一篇论文,讲的是如何用条件生成对抗
- 2023-05-05Robust Deep Reinforcement Learning against Adversarial Perturbations on State Observations
郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布!NeurIPS2020
- 2023-04-25Cycle GAN:Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
paper:https://arxiv.org/pdf/1703.10593.pdf[2017]code参考:https://github.com/junyanz/pytorch-CycleGAN-and-pix2pixhttps://zhuanlan.zhihu.com/p/79221194https://blog.csdn.net/fangjin_kl/article/details/128117396https://www.bilibili.com/video/BV1kb4y197P
- 2023-04-23Adversarial Robust Deep Reinforcement Learning Requires Redefining Robustness
郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布!
- 2023-04-21论文解读(FGSM)《Explaining and Harnessing Adversarial Examples》
论文信息论文标题:ExplainingandHarnessingAdversarialExamples论文作者:IanJ.Goodfellow,JonathonShlens,ChristianSzegedy论文来源:ICLR2015论文地址:download 论文代码:download视屏讲解:click1 介绍对抗攻击2方法扰动:$\eta=\varepsilon\operat
- 2023-01-28迁移学习(ADDA)《Adversarial Discriminative Domain Adaptation》
论文信息论文标题:AdversarialDiscriminativeDomainAdaptation论文作者:EricTzeng,JudyHoffman,KateSaenko,TrevorDarrell论文来源:CVPR2017论文地址:download
- 2023-01-02生成对抗网络GANs的用途
简介如果说目前深度学习最火,应用最多的领域,莫过于GAN--GenerativeAdversarialNetwork,翻译过来就是生成对抗网络,单单从名字上看,你会觉得它就是一个生成模型,看起来就是用于
- 2022-12-23【机器学习】李宏毅——Adversarial Attack(对抗攻击)
研究这个方向的动机,是因为在将神经网络模型应用于实际场景时,它仅仅拥有较高的正确率是不够的,例如在异常检测中、垃圾邮件分类等等场景,那些负类样本也会想尽办法来“欺骗”
- 2022-11-22论文理解【IL - 数据增广】 —— Adversarial Imitation Learning with Trajectorial Augmentation and Correction
文章目录1.前置内容1.1模仿学习中的数据增广1.2生成对抗模仿学习(GAIL)2.本文方法2.1增广轨迹的生成和矫正2.2使用增广轨
- 2022-11-22论文翻译 —— Adversarial Imitation Learning with Trajectorial Augmentation and Correction
文章目录I.INTRODUCTIONII.RELATEDWORKIII.PROPOSEDMETHODIII.A.FrameworkOverviewIII.B.CorrectedAugmentationforTrajec
- 2022-11-20[paper]计算机视觉领域的物理对抗攻防综述(Physically Adversarial Attacks and Defenses in Computer Vision: A Survey)
计算机视觉领域的物理对抗攻防综述PhysicallyAdversarialAttacksandDefensesinComputerVision:ASurveyhttp://arxiv.org/abs/2211.01671摘要攻击:主要从攻击任
- 2022-11-14Generative Adversarial Network-GAN阅读笔记
论文简介论文提出一个新的框架,通过对抗过程评估生成模型。论文中同时训练两个网络:一个生成模型G用来捕获数据分布,一个有识别力的模型D用来评估来自训练数据样本的可能性。
- 2022-11-07Image-to-Image papers
Image-to-ImagepapersAcollectionofimage-to-imagepapers.PapersareorderedinarXivfirstversionsubmittingtime(ifapplicable).FeelfreetosendaPR
- 2022-10-31论文归纳
论文归纳:噪声建模:Paper:《learningtoGenerateRealisticNoisyImagesviaixel-levelNoise-awareAdversarialTraining》code:https://github.com/chenyang1999/PN
- 2022-10-12【每周CV论文推荐】 初学GAN必须要读的文章
欢迎来到《每周CV论文推荐》。在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的。GAN作为当前最有前途,也最烧钱