对抗鲁棒
文章平均质量分 95
通街市密人有
https://github.com/LinY-ct
展开
-
When NAS Meets Robustness: In Search of Robust Architectures against Adversarial Attacks
对抗性攻击的最新进展揭示了现代深度神经网络的内在脆弱性。从那时起,大量的研究致力于通过专门的学习算法和损失函数来增强深度网络的鲁棒性。在这项工作中,我们从体系结构的角度研究了能够抵御对抗性攻击的网络体系结构模式。为了获得本研究所需的大量网络,我们采用one-shot网络架构搜索,对一个大网络进行一次训练,然后对从中采样的子网络进行微调。采样的结构及其所达到的精度为我们的研究提供了丰富的基础。原创 2024-09-19 18:54:19 · 668 阅读 · 0 评论 -
Robust Image Denoising through Adversarial Frequency Mixup
基于深度神经网络的图像去噪方法经常与训练数据中存在的特定噪声分布的过拟合作对抗。这一挑战存在于现有的现实世界去噪网络中,这些网络使用有限的真实噪声分布谱进行训练,因此对分布外的真实噪声类型表现出较差的鲁棒性。为了缓解这个问题,我们开发了一种新的训练框架,称为对抗性混频(AFM)。AFM利用频域的混合产生具有独特和具有挑战性的噪声特征的噪声图像,同时保留真实世界噪声的属性。随后,将这些噪声图像纳入训练pipeline中,增强去噪网络对噪声分布变化的鲁棒性。原创 2024-09-11 21:31:29 · 1151 阅读 · 0 评论