Towards Large yet Imperceptible Adversarial Image Perturbations with Perceptual Color Distance

最新推荐文章于 2023-08-02 00:38:29 发布
最新推荐文章于 2023-08-02 00:38:29 发布
阅读量313 收藏 2
点赞数 1
文章标签： python
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/comea23/article/details/108048065
版权

本文是白盒方法，已开源。
在这里插入图片描述

comea23
关注
【2022 小目标检测综述】Towards Large-Scale Small Object Detection: Survey and Benchmarks
梁瑛平的博客
07-31 3043
本文的主要贡献有： - 回顾了深度学习时代小目标检测的发展，并对该领域的最新进展进行了系统的调查，并对这些方法的优利弊进行了深入的分析； - 发布两个小目标检测的大规模基准，第一个专门用于驾驶场景，另一个专门用于空中场景。所提出的数据集是首次尝试为SOD量身定制的大规模基准测试； - 研究了几种具有代表性的目标检测方法在本文的数据集上的性能，并根据定量和定性的结果进行了深入的分析，有利于后续小目标检测的算法设计；...
【图像拼接（Image Stitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用方法、阅读顺序、创新思路、文章汇总、源码汇总、数据集汇总等。总之，【图像拼接论文相关】看这一篇就够了
畅游计算机视觉的海洋
11-30 3万+
为什么会有这篇文章？因为专栏简介里写不下太多东西，只能通过这篇文章和大家交流，算是一个专栏阅读指南吧。说点心里话本来吧，我只想用CSDN来记录自己学习【图像拼接】领域论文的过程，对每篇文章有个细致的理解，方便自己反复查阅。设置为付费也是因为涉及论文和本人其他项目需要，防止查重和其他问题，所以价格最开始设置的是专栏付费价格里最高的。起初，确实没有人看，一切也都平淡地度过着。
论文Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
summer2day的博客
02-25 2571
摘要：图像到图像转换是一类视觉和图形问题，其目标是通过训练学习输入图片的风格，将其映射到框架类似的输出图片中。尽管对于很多任务而言，配对训练数据可遇不可求。我们提出了一种在没有配对的情况下从来源域 X 到目标域 Y 进行图像转换的方式。我们的目标是实现 G:X→ Y，其中 G(X) 的图像分布与使用对抗性损失分布的 Y 难以区分。因为映射非常不完全，我们将其以 F:Y→ X 的方式建立映射，同时引...
Towards Large yet Imperceptible Adversarial Image Perturbations with Perceptual Color Distance 论文笔记
sydukee的博客
12-08 481
00 Abstract 论文指出，好的扰动图像，应该既有很强的对抗能力，又在视觉上不易察觉。传统的扰动通常在RGB空间上通过限制 Lp范数的边界来保持不易察觉。 而本文放弃了传统的限制方法，改用最小化感知色彩距离的方法来限制扰动，提出了两种方法：PerC-C&W、PerC-AL（Perceptual Color distance Alternating Loss）。其中，第二种方法——Perc-AL在优化 classification loss 和 perceptual color differen
Adversarial Image Registration with Application for MR and TRUS Image Fusion
paopaovae的博客
03-12 611
一、Motivation 1磁共振（MR）和经直肠超声（TRUS）图像配准是MR-TRUS融合的关键组成部分。 2.由于图像外观之间的巨大差异以及图像对应关系的较大差异。 3提出了对抗图像配准（AIR）框架。 通过同时训练两个深度神经网络，一个是生成器，另一个是判别器。 4而且还有一个度量网络，可以帮助评估图像配准的质量。 5但是，多模式图像配准是一项非常艰巨的任务，因为很难定义...
【论文笔记】【2020TMM】Towards Imperceptible Adversarial Image Patches Based on Network Explanations
WwwwHy搞的烂活
12-29 346
深度神经网络(DNNs)在对抗例子中的脆弱性引起了越来越多的关注。许多算法被提出来制造强大的对抗例子。然而，这些算法修改像素的全局或局部区域，而不考虑网络解释。因此，这些扰动是冗余的，很容易被人眼发现。本文提出了一种产生局域扰动的新方法。其主要思想是根据网络对扰动的解释来寻找图像的贡献特征区域(CFRs)。由于网络的解释，添加到CFRs的扰动比其他区域更有效。在我们的方法中，设计了一个软掩模矩阵来表示CFRs，以精细地表征每个像素的贡献。在此基础上，我们提出了一个新的温度逆目标函数来寻找CFRs中的最优扰动
Fight Fire with Fire: Towards Robust Recommender Systems via Adversarial Poisoning Training 理解
qq_16600319的博客
11-21 2643
目录一级目录二级目录三级目录附录1.关于机器学习2.关于矩阵分解问题3 一级目录 二级目录 三级目录 附录 1.关于机器学习 问题1：什么是empirical risk？ 训练集上的期望损失：Remp=1N∑i=1nL(y^,y)R_{emp}=\frac{1}{N} \sum_{i=1}^{n}L(\hat{y},y)Remp​=N1​∑i=1n​L(y^​,y)，是由于使用的数据集只是现实世界数据的一部分，所以训练出来存在一定的误差？是这么理解的吗？ 2.关于矩阵分解 问题2.为什么矩阵分解的UVT\m
Metric3D：Towards Zero-shot Metric 3D Prediction from A Single Image
m_buddy的博客
08-02 2769
在如MiDasLeReS这些文章中对于来源不同的深度数据集使用归一化深度作为学习目标，则在网络学习的过程中就天然失去了对真实深度和物体尺寸的度量能力。而这篇文章比较明确地指出了影响深度估计尺度变化大的因素就是焦距fff，则对输入的图像或是GT做对应补偿之后就可以学习到具备scale表达能力的深度预测，这个跟车端视觉感知的泛化是一个道理。需要注意的是这里使用到的训练数据集需要预先知道相机的参数信息，且这里使用的相机模型为针孔模型。
Towards a Machine Learning-Assisted Kernel with LAKE内容介绍
最新发布
09-15
Towards a Machine Learning-Assisted Kernel with LAKE内容介绍
粗读Adversarial Image Synthesis for Unpaired Multi-Modal Cardiac Data
qq_42578970的博客
11-11 1497
作者使用条件GAN网络，利用CT图像生成了MR图像。因为这并非是一一对应的生成，因此评价指标采用的是利用合成图像训练后的模型的性能。 整个架构也十分简单，就像上文介绍的那样，通过真实的CT图像和标注好的mask，生成MR图像和对应的mask，并让判别器区分。和普通GAN不同的是，本文还提出了一个还原CT图像的GAN，输入为合成得到的MR图像及其mask，输出为真实的CT图像和mask。对于这个特殊的分类器，损失函数不是由一个判别器给出，而是由还原图像和真实图像之间的差异...
Adversarial Examples Improve Image Recognition
MTandHJ的博客
03-12 864
文章目录概主要内容代码 Xie C, Tan M, Gong B, et al. Adversarial Examples Improve Image Recognition.[J]. arXiv: Computer Vision and Pattern Recognition, 2019. @article{xie2019adversarial, title={Adversarial Exa...
2020CVPR对抗样本相关论文整理（有开源代码）
ilalaaa的博客
11-29 4109
目录攻击防御物理 攻击 1. Towards Large yet Imperceptible Adversarial Image Perturbations withPerceptual Color Distance code链接 《朝向具有感知色差的大但不易察觉的对抗图像扰动 》 一般，用对抗效果和不可感知性来评估图像扰动的效果。其中，对于不可感知性的假设是，扰动要在RGB空间中达到严格的LpL_pLp​范数边界。在本论文中，作者通过采用一种人类色彩感知的方法来突破这一假设，即相对于感知颜色距离去最小
CVPR2020 Adversarial Attack & Defense Summary（Part 1）
sydukee的博客
12-09 681
Alleviation of Gradient Exploding in GANs: Fake Can Be Real 解决问题：GAN的梯度爆炸、模式崩溃问题。 解决方法：在一个mini batch 中 close pairs 多的位置选取假样本，认定其为真样本，再进行训练，来有效防止不平衡分布的产生（FARGAN）。 Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises 解决问题：提出一种以无模型方式攻击单目标
CVPR2020开源论文（部分带阅读笔记）
热门推荐
知识混子_的博客
05-29 3万+
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
科研篇(12)：CVPR20 分类整理-对抗样本
weixin_38316806的博客
07-28 1692
文章目录一、对抗样本-附代码1.1Towards Large yet Imperceptible Adversarial Image Perturbations with Perceptual Color Distance.1.2 One Man's Trash Is Another Man's Treasure: Resisting Adversarial Examples by Adversarial Examples1.3 ColorFool: Semantic Adversarial Coloriz
300+篇CVPR 2020代码开源的论文，全在这里了
yishuihanq的博客
06-17 1万+
300+篇CVPR 2020代码开源的论文，全在这里了！ CVPR 2020代码开源项目一放出，得到不少CVers的关注，重点是：开源和根据方向分类。目前star数已经来到2000+，期间也有不少国内外的CVPR 2020论文作者提交issue，分享他们的工作。 在此再次更新数据，代码开源的论文突破300+，项目还在持续更新，欢迎补充分享，也推荐大家学习： https://github.com/amusi/CVPR2020-Code 注：下面内容很硬核，可以在CVer公众号后台回复：CV..
CVPR 2020代码开源的论文最全合集
阿木寺的博客
06-20 2586
前言 之前Amusi整理了1467篇CVPR 2020所有论文PDF下载资源，详见：全在这里了！ CVPR2020-Code CVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目 关于往年CV顶会论文（如CVPR 2019、ICCV 2019、ECCV 2018）以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-vision CNN 图像分类 目标检测 3D目标检测 视频目标检测
《Generative Adversarial Text to Image Synthesis》阅读理解
TayYoung的博客
12-05 3470
从文本描述自动合成真实的图像，也就是把人类所写的一句描述性文本翻译成一系列像素点。
Towards Deep Learning Models Resistant to Adversarial Attacks
04-03
Adversarial attacks are a major concern in the field of deep learning as they can cause misclassification and undermine the reliability of deep learning models. In recent years, researchers have ...
评论 1
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