[论文阅读]AI-GAN: Attack-Inspired Generation of Adversarial Examples

最新推荐文章于 2024-05-20 11:05:55 发布
最新推荐文章于 2024-05-20 11:05:55 发布
阅读量310 收藏 1
点赞数
文章标签： 深度学习 python 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/OdayCollector/article/details/120828766
版权

2021 IEEE:
在这里插入图片描述
advGAN 的升级版
总体构架如图所示:

判别器D: 判别器有两个分支, 一个是训练区分真实图像和扰动图像 , 一个是正确区分扰动图像

为了进一步增强生成器的攻击能力,我们将attacker添加到训练中,有助于稳定和加速整个训练,

判别器的目标函数为:
在这里插入图片描述
其中
在这里插入图片描述
在这里插入图片描述
总结, 有三组图片进入判别器中,分别是原图片,生成器生成的对抗样本和由attack生成的对抗样本;
训练判别器的目标是:1,会区分原图片与生成器而成的对抗图片 2.区别生成器生成的图片与attack生成的图片

生成器:
1)利用encoder进行预训练,在某种情况下增加了对抗样本的迁移性
2)生成器的目标函数:
在这里插入图片描述
在这里插入图片描述

实验结果:
在这里插入图片描述

OdayCollector
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
retina算法matlab代码-Retina-inspired-Filter:Retina-inspired-Filter
06-13
视网膜算法matlab代码Retina-inspired-Filter ================================================== ====================== -----------版权声明以本行开头------------ 版权所有 (c) 2018 蔚蓝海岸大学和 4G 技术...
Ai-gan: Attack-inspired generation of adversarial examples-阅读札记
qq_43367558的博客
01-14 2701
Ai-gan: Attack-inspired generation of adversarial examples-阅读札记
【对抗攻击GAN系列IEEE2021】AI-GAN
qq_44572656的博客
03-29 1290
通过扰动图像在目标分类模型的预测结果、鉴别器鉴别真假的结果和鉴别器分类结果共同指导Generator训练。另外添加一个对抗攻击者（文中选的PGD），将对抗攻击者生成的对抗图像和扰动图像的鉴别器分类结果、鉴别器对干净图像和扰动图像的鉴别损失共同作用指导Discriminator训练。在Discriminator中增加分类的分支并加入一个攻击者，此分支为对抗训练能够更有效的指导Generator生成攻击图像。Discriminator两个分支：一个用于区分干净图像和扰动图像，一个用于对扰动图像正确分类。
AI-GAN: ATTACK-INSPIRED GENERATION OF ADVERSARIAL EXAMPLES 论文精度
v1716836592的博客
02-25 985
先前的对抗样本生成方法如FGSM,JSMA,PGD,C&W attack生成能力是有限的，即他们一次只能执行一个特定的目标攻击。不同的目标需要重新培训。意思是不同的对抗样本生成需要不断训练，2)它们很难扩展到现实世界的数据集。大多数基于GAN的先前工作仅在MNIST和CIFAR-10上评估了他们的方法，这对于复杂的现实任务是不可行的(1)我们提出了一种新的Attack-Inspired GAN框架，称为AI-GAN，其中生成器，鉴别器和攻击者共同训练。
GAN的后门攻击：The Devil is in the GAN: Defending Deep Generative Models Against Backdoor Attacks
weixin_48654804的博客
10-08 804
The Devil is in the GAN: Defending Deep Generative Models Against Backdoor Attacks 链接： https://arxiv.org/abs/2108.01644 IBM欧洲研究中心的一篇论文，主要讲述的内容是GAN的后门攻击。这篇论文称首次提出了GAN的后门攻击（对，和我之前读的论文一样，都是首次【狗头】）。 这篇论文的内容不仅仅包括了GAN的后门攻击方式，还提供了防御的思路，因此论文的页数也达到了33页。 1 GAN的概述
AI-GAN阅读笔记
comea23的博客
06-04 249
什么是“AI GAN模型”
z306417888的专栏
06-16 1833
其中之一是模型的训练稳定性和收敛性，GAN模型的训练过程相对复杂，需要平衡生成器和判别器之间的竞争和学习过程，以避免模式坍塌和训练不稳定的问题。改进的网络结构：研究人员提出了各种改进的GAN模型，如深层卷积GAN（DCGAN）、条件GAN（cGAN）、生成对抗网络的变体等。通过将生成器作为强化学习中的智能体，判别器作为环境，可以利用增强学习的方法来优化生成器的生成策略，使其能够更好地生成逼真的数据样本。零样本生成：零样本生成是指生成器可以在没有与之对应的训练数据的情况下生成新的、未见过的类别的样本。
bio-inspired-ai-projects:一系列受生物启发的AI项目
04-28
生物启发的ai项目这是我作为本科生的生物启发性AI项目的集合。 它们主要是作为备份，但是任何有需要的人都可以从中受益。 依次进行具体说明。task_scheduling_genetic_algorithm 任务调度问题的遗传算法这是一种旨在...
Bubble-inspired-chat:在聊天应用程序中使用的气泡启发动画
05-30
气泡启发的聊天动画 受 Jakub Antalík 作品启发的向聊天添加消息的动画： ://dribbble.... 这只是一个实验。 应该添加一些其他动画步骤以使动画更流畅。 但这是工作。 欢迎任何改进。 随意使用和贡献。
WeDPR-Lab-Core:Core libraries of WeDPR instant scenario-focused solutions for privacy-inspired business; WeDPR即时可用场景式隐私保护高效解决方案核心算法组件
04-13
项目背景 WeDPR是一系列即时可用场景式隐私保护高效解决方案套件和服务（参见），由微众银行区块链团队自主研发。方案致力于解决业务数字化中隐私不“隐”、共享协作不可控等隐私保护风险痛点，消除隐私主体的隐私...
Sklearn-Nature-Inspired-Algorithms：Scikit-Learn模型的超参数调整的自然启发算法
02-04
安装pip install sklearn-nature-inspired-algorithms用法用法类似于使用sklearn的GridSearchCV 。 请参阅以获取更多详细指南和更多示例。 from sklearn_nature_inspired_algorithms . model_selection import ...
深度学习之基于YoloV5+LPRNet车牌识别系统
2301_79809972的博客
05-18 1014
一、项目背景与意义在智能交通管理系统中，车牌识别技术是一项至关重要的技术。随着车辆数量的不断增长和交通环境的日益复杂，对车牌进行准确、快速的识别已成为现代交通管理不可或缺的一部分。为了满足这一需求，本项目采用了先进的YOLOv5和LPRNet算法，结合深度学习技术，开发了一套高效的车牌识别系统。二、技术原理该系统基于深度学习和目标检测技术，整合了YOLOv5目标检测框架和LPRNet文本识别模型。YOLOv5算法在目标检测领域具有出色的性能，能够快速、准确地检测图像中的目标；
CNN的具体架构VGG
weixin_57128596的博客
05-18 940
对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。随着更多层的叠加，通过前一层提取的特征可以结合成更复杂的模式，如物体的部分和结构。使用三个3x3的卷积核代替一个7x7的卷积核可以显著减少参数的数量，一个7x7的卷积核包含49个参数，但是一个3x3的卷积核包含9个参数，三个则是27个参数，所以，通过使用三个3x3的卷积核，你减少了参数数量（49 vs 27），这意味着模型的。
深度学习之基于YoloV5人体姿态摔倒识别分析报警系统
2301_79809972的博客
05-20 570
一、项目背景与意义随着人口老龄化的加剧和人们对健康安全的日益关注，摔倒事件在老年人、幼儿、体育运动员等群体中频繁发生，往往伴随着严重的后果。因此，开发一个能够实时监测人体姿态并准确识别摔倒事件的报警系统具有重要的现实意义。本项目基于深度学习技术，特别是YoloV5目标检测算法，旨在开发一个高效、准确的人体姿态摔倒识别分析报警系统，为相关人群提供及时的摔倒预警和救援服务。二、系统组成与工作原理本系统主要由视频采集模块、图像处理模块、摔倒检测模块和报警模块组成。
深度学习之基于YoloV5的动物识别系统
2301_79809972的博客
05-18 674
一、项目背景与目标在生态研究、动物保护、以及畜牧业等多个领域，对动物进行准确、高效的识别都具有重要意义。然而，传统的手工观察和分析方法效率低下，且难以大规模应用。因此，基于深度学习的动物识别系统应运而生。本项目旨在通过采用先进的YOLOv5算法，实现对动物的精准识别，提高识别效率，并为相关研究提供有力支持。二、技术原理该项目基于深度学习和目标检测技术，具体采用了YOLOv5算法。
双向长短期记忆网络（BiLSTM）简介
yiqiedouhao11的博客
05-17 612
双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）是一种改进的循环神经网络（Recurrent Neural Network, RNN），专门设计用于处理序列数据。BiLSTM 能够通过结合前向和后向两个 LSTM 网络的输出来捕捉序列中的双向依赖关系。
深度学习之基于YoloV5人体打架异常行为识别
最新发布
2301_79809972的博客
05-20 740
一、项目背景与意义随着社会的发展和科技的进步，对于公共场所的安全监控需求日益增加。尤其是在一些高人流量的场所，如学校、商场、车站等，打架斗殴等异常行为的发生可能会给人们的生命安全和财产带来威胁。因此，开发一种能够实时监测并识别打架斗殴等异常行为的技术显得尤为重要。基于YOLOv5的人体打架异常行为识别项目旨在利用深度学习技术，实现对人体打架等异常行为的快速、准确识别，为公共场所的安全监控提供有力支持。二、技术实现。
YOLOv8改进 | 卷积模块 | 用DWConv卷积替换Conv【轻量化网络】
kay_545
05-18 667
YOLOv8改进，yolov8，yolov8创新，yolov8涨点
基于Matlab卷积神经网络苹果质量分级检测系统
2301_79809972的博客
05-20 844
一、项目背景与意义随着现代农业和智能技术的快速发展，水果质量分级检测在水果产业链中扮演着越来越重要的角色。其中，苹果作为广受欢迎的水果之一，其质量分级检测尤为重要。传统的苹果质量分级检测方法往往依赖于人工操作，不仅效率低下，而且难以保证分级结果的一致性和准确性。因此，本项目旨在利用Matlab编程环境和卷积神经网络（CNN）技术，开发一个高效、准确的苹果质量分级检测系统，以提高苹果质量检测的效率和准确性，为水果产业链的发展提供有力支持。二、技术实现。
dandelion optimizer: a nature-inspired metaheuristic algorithm for engineeri
11-04
蒲公英优化器是一种富有自然灵感的元启发式算法，适用于工程领域。这个优化器的灵感来源于自然界中的蒲公英。 蒲公英优化器采用了蒲公英的独特繁衍方式。蒲公英的种子具有轻盈的特点，通过风力将种子传播到其他地方，以便繁衍后代。同样地，蒲公英优化器中的解空间被看作是种子的分布，优化问题的解通过模拟种子群体的传播来寻找最优解。算法通过不断迭代的方式，模拟种子在解空间中的飘散和聚集过程，以寻找全局最优解。 蒲公英优化器相对于其他优化算法的优势在于其出色的全局搜索能力。由于蒲公英种子的传播特性，蒲公英优化器能够在解空间中更广泛地进行搜索，避免陷入局部最优解。此外，蒲公英优化器还具有较好的收敛性，能够在较短的时间内找到近似最优解。 蒲公英优化器在工程领域有广泛的应用。它可以应用于各种优化问题，例如工程设计、电力系统优化、机器学习算法参数优化等。通过将问题转化为适当的数学模型，并使用蒲公英优化器进行求解，可以得到更好的优化结果。 总之，蒲公英优化器是一种自然灵感的优化算法，具有优秀的全局搜索能力和较好的收敛性。它在工程领域具有广泛的应用前景，帮助优化工程问题的解决，提高系统性能和效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值