读论文
Donald Su
公众号:"Donald Su",微:sug2010
展开
-
[读论文]通过中间层攻击提高对抗样本的迁移性(Enhancing Adversarial Example Transferability with an ILA)
内容来源于论文:Enhancing Adversarial Example Transferability with an Intermediate Level Attack,发表在11月初的ICCV 2019会议上。论文地址:Enhancing Adversarial Example Transferability with an Intermediate Level Attack完整论...原创 2019-11-13 17:02:46 · 2168 阅读 · 2 评论 -
[读论文]对抗样本:深度学习的攻击和防御(Adversarial Examples: Attacks and Defenses for Deep Learning)
对抗样本:深度学习的攻击和防御内容来源于论文:Adversarial Examples: Attacks and Defenses for Deep Learning,发表在IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。 论文地址:Adversarial Examples: Attacks and Defens...原创 2019-07-02 19:37:16 · 6243 阅读 · 1 评论 -
[读论文]深入研究对抗样本和黑盒攻击的可转移性
论文题目:深入研究对抗样本和黑盒攻击的可转移性本文内容来源于论文:Delving into Transferable Adversarial Examples and Black-box Attacks论文地址:arxiv: 1611.02770非目标攻击方法约束条件:fθ(x⋆)≠yd(x,x⋆)≤B\begin{aligned} f_{\theta}\left(x^{\star}\...原创 2019-07-02 19:39:54 · 928 阅读 · 0 评论 -
[读论文]CAAD-2018 Targeted Attack方向季军技术报告
这次分享的是CAAD-2018比赛中Northwest Security团队的技术报告,该团队在此次比赛中取得了了targeted Attack 方向第三名,non-targeted Attack方向第四名的成绩。题目:Leverage Open-Source Information To Make An Effective Adversarial Attack Against Deep Le...原创 2019-08-14 22:28:13 · 595 阅读 · 0 评论 -
[读论文]-通过随机操作减缓对抗攻击的影响(Mitigating Adversarial Effects Through Randomization)
通过随机操作减缓对抗攻击的影响文章题目:Mitigating Adversarial Effects Through Randomization该文章来自于ICLR 2018-对抗样本的defence方法作者:Cihang Xie, Zhishuai Zhang & Alan L. Yuille – 约翰*霍普金斯大学随着深度神经网络的广泛使用,研究人员发现,神经网络虽然精确度...原创 2019-09-01 16:50:31 · 2056 阅读 · 12 评论 -
[论文分享]-通过输入多样性提高对抗样本的迁移性(Improving Transferability of Adversarial Examples with Input Diversity)
CNN在视觉任务中已经取得了非常好的效果,但在面对对抗样本时,却显得非常脆弱。但现有的大多数对抗样本攻击方法,在黑盒攻击设置下,只能实现较低成功率。此次分享介绍了如何通过输入多样性来提高对抗样本的可移植性,产生对于白盒攻击、黑盒攻击成功率都高的对抗样本。原创 2019-09-15 17:53:04 · 4454 阅读 · 3 评论 -
[论文分享]使用Boosted Cascade进行快速目标检测(Rapid Object Detection using a Boosted Cascade of Simple Features)
这次读的是大名鼎鼎的Viola-Jones目标检测方法的源头文章「Rapid Object Detection using a Boosted Cascade of Simple Features」,即OpenCV中的Cascade目标检测方法。该方法的主要内容体现在下图中,对产生的180K的特征使用Boost方法进行快速筛选,可以筛除大部分不相关的特征图形。其中180K是作者当时计算错误导...原创 2019-10-06 23:21:27 · 708 阅读 · 0 评论