![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
对抗性网络
不想待在银河系
这个作者很懒,什么都没留下…
展开
-
[论文翻译&理解]规模对抗训练的有趣特性Intriging Properties of Adversarial Traning at scale
1.几个问题1.1 基本信息ICLR 20201.2 做了什么 & 创新性提出了两点观察:在对抗性网络中,干净的图像和敌对的图像来自两个不同的领域。谓的“深层”网络对于对抗性学习的任务来说仍然很浅。并给出了可能的解决方案。1.3 怎么做通过改变干净图像和对抗图像的比例、对数逻辑配对等一系列策略,和一系列实验中总结出了上述两个观察。在可能的解决方案中,采取了“为干净图像和对抗图像使用不同BN”以及“批处理无关的规范化层替换BN”两种方法。2.数学部分 & 模型构建.翻译 2020-12-03 19:07:03 · 382 阅读 · 0 评论 -
[论文理解]对抗性例子可用于改善图像识别Adversarial Examples Improve Image Recognition
1.几个问题1.1 基本信息CVPR 20201.2 做了什么提出了AdvProp1.3 实现方法 & 创新性对抗性例子用auxiliary BN处理,干净例子用main BN进行处理。解决二者混合导致的数据分布失真。1.4 代码链接Github2.数学部分 & 模型构建2.1 现有问题 & 解决方法现有问题以往的研究表明,对抗性样本训练可以提高模型的泛化能力,但仅限于某些情况,这种改进要么在完全监督的情况下对小数据集(如MNIST)进行,要么在较大的数据.原创 2020-12-03 15:35:45 · 620 阅读 · 0 评论 -
[论文理解]光滑对抗性训练Smooth Adversarial Training
1.几个问题1.1 基本信息arVix 20201.2 做了什么提出了平滑对抗性训练(standard adversarial traning, SAT)1.3 实现方法我们用SAT的平滑近似(一阶导数平滑)代替ReLU,由于平滑激活函数的允许鉴别器在对抗性训练中找到更难的对抗性示例,因此能计算出更好的梯度更新。1.4 创新性在没有额外计算开支和精度下降的情况下增强了对抗网络的鲁棒性。方法简单,效果还可以。只是论文中没有仔细阐释why it works.2.数学部分 & 模型构建.原创 2020-12-03 14:35:31 · 528 阅读 · 0 评论 -
[论文翻译]:Spatial Transformer Generative Adversarial Networks for Image Compositing(STN-GAN)
0 摘要我们解决的问题是找到对前景对象的逼真的几何校正,以使其在合成为背景图像时看起来自然。为此,我们提出了一种使用STNs的新的GAN( Generative Adversarial Network)结构,我们称之为ST-GAN。ST-GAN通过在geometric warp parameter space空间中进行操作来寻求图像逼真度。ST-GAN的主要优势之一是其间接适用于高分辨率图像,因为预测的warp parameter可在参考帧(reference frame)之间传递。我们在两种应用中演示.翻译 2020-10-31 23:14:05 · 878 阅读 · 0 评论