TPAMI 2024 | 无数据黑盒攻击的动态路由和知识重学习

最新推荐文章于 2025-05-16 16:51:01 发布
最新推荐文章于 2025-05-16 16:51:01 发布
阅读量62 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： TPAMI IEEE 深度学习 顶刊论文 论文解读
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/qq_42722197/article/details/144315647
版权

论文信息

题目：Dynamic Routing and Knowledge Re-Learning for Data-Free Black-Box Attack
无数据黑盒攻击的动态路由和知识重学习
作者：Xuelin Qian; Wenxuan Wang; Yu-Gang Jiang; Xiangyang Xue; Yanwei Fu

论文创新点

  • 1 动态替代结构学习策略: 本文首次提出了一种动态结构学习策略，通过策略网络根据不同的目标模型和任务自动探索最优的替代模型结构。这种策略允许模型动态决定替代模型中每个残差块的保留或跳过，从而更好地模拟目标模型的行为。

  • 2 基于图的结构信息学习: 为了改善替代模型的训练，本文提出了一种基于图的结构信息学习策略，通过捕获目标模型输出之间的结构关系来学习更隐含和详细的信息。这种方法有助于替代模型学习目标模型的深层知识，并提高生成训练数据的质量。

  • 3 动态知识重学策略

了解本专栏 订阅专栏 解锁全文
自动驾驶综述|定位、感知、规划常见算法汇总
3D视觉工坊
05-05 1572
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达自驾车自动驾驶系统的体系结构一般分为感知系统和决策系统。感知系统一般分为许多子系统，负责自动驾驶汽车定位、静态障碍物测绘、移动障碍物...
【DL经典回顾】深度学习概述
悦学共鸣，温柔以待，汇聚光芒，共同成长
03-10 1621
本文旨在为完全不懂深度学习的读者提供一个全面的介绍，从基本概念到前沿商业应用，带你一探究竟。我们将从深度学习的基础讲起，解释它是如何工作的，以及它与传统机器学习的关系。接着，我们会探讨深度学习的几个主要分支，它们各自的特点及应用场景。我们还将讨论深度学习目前面临的挑战，以及科学家和工程师如何致力于克服这些挑战，推动这一领域的未来发展。
【学习】Deep Learning for Deepfakes Creation and Detection
Reddoge_的博客
01-03 5691
论文题目：Deep Learning for Deepfakes Creation and Detection 翻译：基于深度学习的Deepfake创建与检测 作者： Thanh Thi Nguyen*1, Cuong M. Nguyen2, Dung Tien Nguyen1, Duc Thanh Nguyen1 and Saeid Nahavandi3 1School of Informati...
论文目录3：大模型时代（2023+）
qq_40206371的博客
03-05 2146
早期做instruction tuning的workin-context learning都是没有finetune过程，这里相当于finetune了一下在in-context learning的时候，故意给一些错误的例子、其他领域的返利，看看大模型的效果——>这篇论文的结论是，in-context learning只起到“唤醒”的作用，LLM本身就具备了所需要的功能。这里给LLM范例的作用只是提示LLM要做这个任务了在更大的LLM中，in context learning 确实也起到了让模型学习的作用。
51c视觉~合集28
whaosoft~aiotの开发板商城
09-18 2428
参数量减少40倍，推理速度提高6倍！结合变形卷积的网络如何克服SSM的内存问题？这篇文章介绍了一种名为UV-Mamba的新型神经网络模型，该模型结合了变形卷积和状态空间模型，用于高分辨率遥感图像中精确检测城市村庄边界。I Introduction城市村庄，作为城市化过程中的历史遗留物，由于其低层建筑和密集的建筑物，不理想的环保条件，以及过时的市政基础设施，在城市建设与经营管理中带来了较大的挑战。城市村庄的问题不仅关系到城市的形象美感和清洁，而且直接影响着居民的生活方式，公共安全和社会稳定 。传统收集城市村庄
深度学习入门：深度学习（完结）
2301_79704601的博客
05-15 938
正如大家能想到的，这样的方法需要按照像素数量进行相应次forward处理，因而需要耗费大量的时间（正确地说，卷积运算中会发生重复计算很多区域的无意义的计算）。R-CNN中会将图像变形为正方形，或者在分类时使用SVM（支持向量机），实际的处理流会稍微复杂一些，不过从宏观上看，也是由刚才的两个处理（候选区域的提取和CNN特征的计算）构成的。这个递归指的是神经网络的递归的网络结构。在R-CNN的前半部分的处理——候选区域的提取（发现形似目标物体的处理）中，可以使用计算机视觉领域积累的各种各样的方法。
Pycharm（十九）深度学习
higerwy的博客
05-06 1539
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
基于EMD-PCA-LSTM的光伏功率预测模型研究
专注AI大模型,软件混淆,授权
05-14 122
本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合模型，用于提高光伏功率预测的准确性。该模型首先利用EMD将非平稳的光伏功率序列分解为多个本征模态函数(IMF)，然后通过PCA对多维气象特征进行降维处理，最后将处理后的特征输入LSTM网络进行预测。实验结果表明，与单一LSTM模型和传统预测方法相比，EMD-PCA-LSTM模型在预测精度和稳定性方面均有显著提升。该模型有效处理了光伏功率序列的非平稳性和非线性，同时通过特征降维提高了模型效率，为光伏功率预测提供了一
基于深度学习的高效图像失真校正框架总结
weixin_56337944的博客
05-16 669
本文介绍了一种基于深度学习的高效图像失真校正框架，该框架采用两阶段方法进行图像校正。第一阶段使用改进的GeoNet（EffiGeoNet）进行初步校正，通过模型剪枝和知识蒸馏实现轻量化；第二阶段通过图像配准优化，消除残留失真。实验表明，该方法在PSNR和SSIM指标上分别提高了10.39%和30.42%，处理速度提升了85%。该框架适用于多种失真类型，并在医疗内窥镜等实际场景中表现出色。未来研究方向包括增强全局特征提取能力和开发无需参考图像的端到端校正网络。代码和数据已开源，便于复现和进一步研究。
YOLOv7训练时4个类别只出2个类别
qq_48873240的博客
05-16 320
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
【深度学习|学习笔记】 梯度提升机（Gradient Boosting Machines, GBM）模型详解，附代码。
2401_89898861的博客
05-10 1196
【深度学习|学习笔记】 梯度提升机（Gradient Boosting Machines, GBM）模型详解，附代码。
极限学习机进行电厂相关数据预测
leo__520的博客
05-13 844
使用极限学习机（Extreme Learning Machine, ELM）进行电厂相关数据预测的详细步骤和MATLAB代码示例。假设任务是预测电厂发电量或设备状态（如温度、压力），代码包含数据预处理、ELM模型构建、训练与预测全过程。其中，(\mathbf{H} = g(\mathbf{X} \mathbf{W}_{\text{hidden}} + \mathbf{b})) 为隐层输出，(g) 为激活函数（如Sigmoid、ReLU）。通过调整隐层节点数、激活函数和正则化参数，可优化模型性能。
PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解
盼小辉丶的博客
05-12 1311
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
基于深度学习进行运输系统优化
weixin_69327572的博客
05-15 626
from torch.utils.data import Dataset, DataLoader # 数据加载。self.num_samples = num_samples # 样本数量。self.num_tasks = num_tasks # 任务数量。self.num_vehicles = num_vehicles # 车辆数量。# y[i][j][k]: 车辆j是否从任务i行驶到任务k（二进制变量）return self.num_samples # 返回数据集大小。
基于深度学习的工业OCR数字识别系统架构解析
qq_16848265的博客
05-13 806
通过将识别数据定时存储至Excel文件并生成详细报告，系统能够为企业的生产管理、质量控制、数据分析等环节提供有力支持，助力企业优化生产流程、提高决策科学性，进而推动企业的数字化转型与智能化升级，增强企业在市场竞争中的核心竞争力。这些数据对于生产过程的监控、设备状态的评估以及后续的数据分析至关重要，为企业的生产管理、质量控制和数据分析提供了强大的支持。支持云存储服务对接，实现数据的远程备份、共享和同步。对采集到的图像数据进行预处理，包括去噪、增强、校正等操作，以提高图像质量，为后续的数字识别提供更好的基础。
深度学习驱动下的目标检测技术：原理、算法与应用创新
m0_44975814的博客
05-16 594
目标检测是计算机视觉的核心任务，旨在识别图像或视频中的目标类别并定位其位置，广泛应用于安防监控、智能交通、工业制造和医疗影像等领域。传统方法依赖手工设计特征，如HOG和SIFT，但难以应对复杂场景。深度学习的兴起，尤其是卷积神经网络（CNN），通过自动提取高级语义特征，显著提升了检测精度和效率。R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等算法推动了目标检测技术的发展，但仍面临小目标检测、遮挡和类别不平衡等挑战。本文深入探讨了主流目标检测算法的原理，提出了多尺度特征融合、上下
医学图像分析中的大规模基准测试与增强迁移学习|文献速递-深度学习医疗AI最新文献
最新发布
weixin_38594676的博客
05-16 549
Title题目Large-scale benchmarking and boosting transfer learning for medical imageanalysis医学图像分析中的大规模基准测试与增强迁移学习01文献速递介绍将在大规模摄影数据集（如ImageNet）上预训练的模型微调至医学图像领域（Tajbakhsh等人，2016；Shin等人，2016；Matsoukas等人，2022）仍然是克服医学成像中标注数据稀缺问题的实际主流方法（Tajbakhsh等人，2021）。尽管近年来出现了探索
深度学习驱动下的目标检测技术：原理、算法与应用创新（二）
m0_44975814的博客
05-16 630
深度学习目标检测算法的发展经历了多个重要阶段，R-CNN系列算法、YOLO系列算法和SSD算法是其中的代表。R-CNN通过引入卷积神经网络（CNN）和区域提议机制，开创了深度学习在目标检测领域的应用。Fast R-CNN和Faster R-CNN进一步优化了计算效率和训练流程，特别是Faster R-CNN通过引入区域生成网络（RPN）实现了端到端的检测。YOLO系列算法则将目标检测视为回归问题，显著提升了检测速度，YOLOv1、YOLOv2和YOLOv3通过不断优化网络结构和训练策略，进一步提高了检测精度
将语言融入医学视觉识别与推理：一项综述|文献速递-深度学习医疗AI最新文献
weixin_38594676的博客
05-12 814
Title题目Integrating language into medical visual recognition and reasoning: A survey将语言融入医学视觉识别与推理：一项综述 01文献速递介绍检测以及语义分割）是无数定量疾病评估和治疗规划的基石（利特延斯等人，2017），而像视觉问答（VQA）这样的医学视觉推理能够对复杂的视觉模式、关系和背景进行解读和理解，这对于准确的诊断决策至关重要（林等人，2023c）。尽管端到端的深度神经网络（DNNs）在视觉识别和推理任务中取得了显著成
tpami2024图像去噪
03-29
### TPAMI 2024 年关于图像去噪的研究概述 在TPAMI 2024年的研究中，有一篇重要的论文提出了无需去噪的含噪图像表示方法[^1]。这项工作旨在解决具有挑战性的噪声退化问题，并提出了一种新的时频判别图像表示技术。这种方法不仅能够提供信息噪声鲁棒性，还能保持几何不变性，而不需要任何学习过程或显式的去噪操作。 具体而言，这种新方法适用于多种小规模鲁棒视觉问题，尤其是在安全和取证领域中的对抗假设场景下表现出显著潜力。其核心优势在于能够在不依赖传统去噪算法的情况下实现对含噪图像的有效表征，从而简化了处理流程并提高了效率。 此外，在多模态图像修复与融合方面也有相关进展。另一项研究表明，通过设计一种名为DeepMCDL的新颖可解释网络，可以有效应对复杂的图像恢复任务[^2]。尽管此部分重点并非完全集中于单一模式下的去噪问题，但它展示了如何利用深度学习框架结合字典学习机制来提升图像质量，这对于理解更广泛的图像增强策略提供了有价值的见解。 对于特定类型的干扰因素如雨水影响，则存在专门针对此类情况开发的技术方案。例如，“图像去雨Transformer”的研究成果涵盖了多个公开可用的数据集用于验证模型性能，其中包括但不限于Rain200H、Rain200L以及SPAData等[^3]。虽然这些资源主要用于评估去除降雨效果的能力，但从侧面反映了当前学术界对于复杂环境下信号提取的关注程度，这也间接促进了通用型图像去噪理论的发展方向。 综上所述，无论是专注于构建新型无监督式含噪图像表达方式还是探索跨域协作优化路径，都可以看出近年来围绕提高数字媒体抗干扰特性的科研活动正呈现出蓬勃发展的态势。 ```python # 示例代码片段展示可能应用于图像预处理阶段的操作逻辑 import numpy as np def apply_noise_robust_representation(image_array): # 假设此处实现了基于时频分析的方法 transformed_image = np.fft.fftshift(np.fft.fft2(image_array)) return abs(transformed_image) # 调用函数模拟输入输出转换过程 noisy_input = np.random.rand(256, 256) * 255 processed_output = apply_noise_robust_representation(noisy_input) ``` ####
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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