论文阅读笔记1——From Adversarial Training to Generative Adversarial Networks

最新推荐文章于 2021-08-04 10:40:34 发布
最新推荐文章于 2021-08-04 10:40:34 发布
阅读量372 收藏
点赞数
分类专栏： 论文阅读笔记 文章标签： 生成对抗网络 对抗攻击 CVPR2019
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/sinat_17581847/article/details/89403313
版权
本文介绍了AdvGAN，一种结合生成器、判别器和对抗攻击者的框架，通过端到端训练与精炼阶段，提升生成图像质量及对抗攻击下判别器的准确性。AdvGAN改进了AC-GAN的损失函数，增强了数据增广和训练的鲁棒性，但可能仅针对特定类型的对抗攻击有效。
摘要由CSDN通过智能技术生成

论文标题：From Adversarial Training to Generative Adversarial Networks

原文链接：https://arxiv.org/pdf/1807.10454.pdf

  • 贡献：

联系GAN和对抗训练，提出AdvGAN，在同一个网络中连接生成器、判别器和对抗攻击者。通过共同训练（co-training）和微调（fine-tunning），同时提高生成图像质量和判别器在强对抗攻击下的准确度。

  • 技术：

                                        

第一阶段：端到端GAN训练。生成器生成假图像输入给判别器，同时真实图像经过PGD攻击后输入给判别器。之后判别器最小化真假损失和类别损失。

第二阶段：用真实图像和生成图像精炼判别器

采用AC-GAN[1]结构，改进了loss函数。</

最低0.47元/天 解锁文章
一只Cactus
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Training Generative Adversarial Networks with Limited Data
WinerChopin的博客
02-07 3742
Profile 四大生成模型之一的 GAN 由一对生成器 G 和鉴别器 D 构成。 以图像生成为 ????，GAN 的训练有两个特点：☝ 在缺乏其他限制下，生成的图像的分布严格近似于 D 看到的真实图像分布；✌ 对于生成模型，过拟合（over fitting 只能复现训练时见过的样本）优于欠拟合（under fitting，训练炸了，无法生成自然的图像）。 G 过拟合的发生比较少；G 欠拟合是更常见的——其表现为： 以 LSGAN 为 ????，鉴别器 D 对生成样本的评分很低，即 Dfake→0D_{
StyleGan2-ADA: Training Generative Adversarial Networks with Limited Data
KongCDY的专栏
05-28 3530
训练一个GAN模型，通常需要比较多的数据（ffhq是7万），数据量少的话会导致判别器过拟合，回传的梯度无意义，从而导致生成器停止学习或崩掉。GAN本质上就是通过判别器找到生成图与真实图差异的部分，通过赋予相应位置权重（梯度）来提升生成效果。训练初期判别器关注整体形状，后期更关注细节。本文讨论如何使用较少的数据（几千张），通过数据增益方法，避免判别器过拟合，训练出好的生成器。 一般的监督学习训练任务都会使用数据增益（旋转，颜色变换、加噪声等），但如果直接用到GAN的训练任务中，可能会导致增益泄露到生成器。比
2021年3月87篇GAN/对抗论文汇总
idol24的博客
04-02 1150
点击上方“机器学习与生成对抗网络”，关注星标获取有趣、好玩的前沿干货！ 等你着陆！【GAN生成对抗网络】知识星球！超100篇！CVPR 2020最全GAN论文梳理！2021年2月70...
[AdvGAN]Generating Adversarial Examples with Adversarial Networks阅读笔记
wanttifa的博客
01-06 5939
目录 文章目录@[toc]1.简介2.相关工作3.利用生成网络来生成对抗样本3.1.问题定义3.2.AdvGAN框架3.3黑盒攻击与对抗网络动态蒸馏4.实验结果4.1.AdvGAN在半白盒攻击中的设置4.2.AdvGAN在黑盒攻击中的设置4.3.防御下的攻击效能4.4.高分辨率对抗性的例子5.结论 1.简介 深度神经网络已经取得了很多成就，但是近来许多工作已经证明DNN在对抗干扰上是很脆弱的。许多...
Adversarial Logit Pairing_CSDN
qq_32925101的博客
12-29 855
Adversarial Logit Pairing Adversarial Logit Pairing we introduce enhanced defenses using a technique we call logit pairing, a method that encourages logits for pairs of examples to be similar. 本文提出了一种logit pairing方法做防御。 0. Recall 0.1 Adversarial Training A
Learning Generative Adversarial Networks 无水印pdf转化版
11-29
Learning Generative Adversarial Networks 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，...
Learning Generative Adversarial Networks
07-30
Learning Generative Adversarial Networks_Next generation deep learning simplified First published: October 2017 | 203页 | pdf格式
Learning Generative Adversarial Networks epub
11-29
Learning Generative Adversarial Networks 英文epub 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除
Generative Adversarial Networks Cookbook.zip
05-15
Developing Generative Adversarial Networks (GANs) is a complex task, and it is often hard to find code that is easy to understand.This book leads you through eight different examples of modern GAN ...
Adversarial-Patch-Training:论文代码
05-04
论文代码： Sukrut Rao，David Stutz，Bernt Schiele。 （2020）针对位置优化的对抗补丁的对抗训练。 在：Bartoli A.，Fusiello A.（编辑）《计算机视觉– ECCV 2020研讨会》中。 ECCV2020。《计算机科学讲义》，第...
T-GANs:通过图灵测试训练生成对抗网络
03-19
T-GAN 代码（arxiv版本可能会延迟，请获取最新版本） 需要：Keras 2.2.0+ 可在找到具有图灵测试的GAN。 在使用该代码之前，您必须更改keras的源代码！ （您可以在不更改keras的情况下运行它，但是效果会更糟。） keras/engine/base_layer.py ，替换 def add_weight(self, name, shape, dtype=None, initializer=None, regularizer=None, trainable=True, constraint=Non
Wasserstein GANs 三部曲（一）：Towards Principled Methods for Training Generative Adversarial Networks的理解
xiaohouzi1992的博客
06-28 6131
论文地址：https://arxiv.org/abs/1701.04862这一篇文章相当于一个引言，运用了许多推导与证明说明了生成对抗网路存在的一系列问题，然后引入了一个新的评价标准。虽然公式推导是比较乏味的，也可以参阅知乎上的这篇文章https://zhuanlan.zhihu.com/p/25071913，比较简单直观。当时我在学习的时候有部分也借鉴了这篇文章，以下是我的理解：第一部分GAN ...
Training Generative Adversarial Networks in One Stage
weixin_37958272的博客
08-04 470
Training Generative Adversarial Networks in One Stage 生成对抗网络（GANs）在各种图像生成任务中表现出前所未有的成功。然而，这些令人鼓舞的结果是以繁琐的训练过程为代价的，在这个过程中，生成器和鉴别器要在两个阶段交替更新。在本文中，我们研究了一种通用的训练方案，该方案只需在一个阶段就能有效地训练GANs。基于生成器和判别器的对抗性损失，我们将GANs分为两类，即对称GANs和非对称GANs，并引入一种新的梯度分解方法来统一这两类，使我们能够在一个阶段内训
Generative Adversarial Nets论文笔记+代码解析
小时候贼聪明
01-17 2万+
前面在Generative Adversarial Nets（译）一文中对2014年Ian J. Goodfellow这位大牛关于GAN的文章进行了全文的翻译，在翻译的过程中，遇到的不少的问题，也有一些自己的理解，在这里本人对这篇文章与大家进行交流，并对在TensorFlow上GAN的实现源码进行解析。 论文地址：Generative Adversarial Networks 源码地址
GAN异常检测论文笔记(一)《GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training》
weixin_40506067的博客
05-12 4154
0 Abstract: 通过使用一个联合学习高维图像空间的生成和潜伏空间的推理的生成对抗性网络，引入了这种新型的异常检测模型。在生成器网络中采用编码器-解码器-编码器子网络，使模型能够将输入图像映射为低维向量，然后用于重建生成的输出图像。额外的编码器网络的使用将这个生成器生成的图像映射到它的潜在表示。在训练期间，最小化这些图像和潜伏向量之间的距离，有助于学习正态样本的数据分布。因此，在推理时，从这个学习的数据分布的较大的距离度量表明该分布的离群点--异常点。 1 Introduction 概述了异
【论文阅读笔记】NIPS 2016 Tutorial:Generative Adversarial Networks
寸先生的AI道路
01-23 2447
        本文是Ian Goodfellow在NIPS2016上演讲的总结文稿，是对GAN工作原理，未来发展的一篇简单概述，写的很好，在此博客中我保留了文章结构并其中重要的文字截取并翻译，文章本后还有习题和答案，这里省略，感兴趣的可以下载原文查看。       如果希望观看现场演讲视频的童鞋也可以访问：https://channel9.msdn.com/events/Neural-Info...
GAN学习笔记:MMGAN:Manifold-Matching Generative Adversarial Network
sherry_颖的博客
12-06 2328
一、主要思想 MMGAN的一个重要思想在于：数据可以分为两个不同的manifold：真实数据和生成数据。 那么，训练G的目标就是尽可能地match这两个manifold。 在MMGAN中，不妨用球形来表示manifold，这样，可以使用指数平滑来得到球的中心和半径，此外，针对mode collapse的问题，MMGAN也进行了相关的工作来提升数据的diversity，接下来会具体介绍。 二
生成对抗网络(GAN，Generative Adversarial Networks) 学习笔记
tz_zs的博客
12-14 2590
____tz_zs学习笔记GAN论文：[1406.2661] Generative Adversarial NetworksThe GAN Zoo（github上的一个项目，总结了所有GAN论文）知乎相关话题和好文章：令人拍案叫绝的Wasserstein GAN（详细的讲了WGAN）Lyken的回答 - 知乎（讲的很好，信息很多）其他：相对熵，又称KL散度( Kullback–Leibler di...
ESRGAN:增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks）论文笔记
热门推荐
weixin_41018348的博客
09-29 5万+
                                  ESRGAN:增强型超分辨率生成对抗网络 论文原文：https://arxiv.org/abs/1809.00219 摘要： 超分辨率生成对抗网络（SRGAN）[1]是能够在单幅图像超分辨率期间生成真实感纹理的一项重要工作。然而，幻觉的细节往往伴随着令人不快的伪影。为了进一步提高视觉质量，我们深入研究了SRGAN网络体系结构...
generative adversarial networks
最新发布
03-16
生成对抗网络(GAN)是一种用于生成新样本的深度学习模型。它由两部分组成：生成器(Generator)和判别器(Discriminator)。生成器尝试生成与真实样本相似的新样本，而判别器尝试识别这些样本是真实还是生成的。...

“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