- 博客(17)
- 收藏
- 关注
RSS订阅原创 【算法】状态压缩DP
相对于上面的状态转移，这种情况较好分析，只需要满足当前行玉米田的坏田状态与当前状态是否有同时为1的列即可，若有则当前状态不满足，若无则满足，该条件判断与判断相邻行是否同时种植一致。的玉米田中种玉米，有一些坏掉的土地是不能种玉米的，另外相邻的两个田也不可以种，一共有多少种种植方案（荒地也算一种），如图所示，由于相邻的土地不能种植，此时一号土地已经不能种植。题目与玉米田的思路基本一致，多了一个判断问题，即对角的国王也会相互攻击，为了加入此情况，在状态转移的判断条件上需要加入对角判断的处理。
2024-11-09 22:40:09
1087
原创 【人脸伪造检测】Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain
利用相位谱实现伪造检测，并且证明了卷积模型可以提取隐性特征。是伪造模型的关键步骤，这篇论文通过相位信息检测上采样的伪影。：通过离散余弦变换后的统计特征实现伪造检测。
2024-11-09 09:48:28
130
原创 【人脸伪造检测后门攻击】 Exploring Frequency Adversarial Attacks for Face Forgery Detection
现有的后门攻击方法生成的对抗样本容易被识别，只是在空间域增加了扰动。为此，作者提出了一种频率对抗性攻击的方法，在频域中增加了对抗性的扰动。由于Eff b4和Xcep之间结构的明显差异，两个网络之间的对抗性攻击相互之间的可转移性有限。：空间域和频率域混合攻击，元学习实现交替式的混合攻击学习。：从四种算法中选取 560张假图（140。，最终通过逆变换生成对抗样本。：隐藏在频带中，不易于被发现。： 黑盒攻击存在过拟合现象。
2024-11-07 22:50:59
1237
原创 【客户投诉系统】 Sringboot+vue+soap+activiti+mybatis+element-ui
NOTE]分享课程系统，SpringbootmybatisActivitisoapElement-UIVue：用户可以对不同的平台，例如美团、学习通、饿了么等进行投诉（Springbootmybatis），工作管理员会对该投诉信息进行审批（Activiti），若审批通过，通过soap服务传递给对应平台提供的接口，对不同的平台设置了处理投诉的变量，模拟处理时间，当默认有工作人员在处理，当处理时间为0时，表示投诉处理完成，通过请求将对应ID的投诉信息返回。
2024-11-07 21:20:35
643
原创 Go语言基础语法学习
init函数 执行顺序：全局变量 → init函数 → main函数，若有包导入则先执行其他包的。字符类型用byte保存，保存ASCII的字符，但是汉字不行（需要三个字节），Go的字符串是由。golang 仍然有继承封装多态的特性，但是没有extends关键字，通过匿名字段实现。字段在内存中是连续的，指针的地址是连续的，但是指向的地址不连续。默认变量名，小写开头是私有的，大写字母开头是公有的。切片，指针类型（数组第一个的地址，长度，容量）new，存储的不是值而是地址，是指针类型。
2024-11-04 08:10:26
515
原创 【人脸伪造检测后门攻击】Imperceptible Face Forgery Attack via Adversarial Semantic Mask
原文Github地址：https://github.com/clawerO-O/ASMA。
2024-11-03 13:54:41
974
原创 【人脸伪造检测后门攻击】 Is It Possible to Backdoor Face Forgery Detection with Natural Triggers?
CAUTION]本篇论文主要是关于AIGC生成人脸的后门攻击，与换脸技术的后门攻击有差异，因此本篇文章主要研究trigger的生成部分，后面的实验部分不加以研究。
2024-11-02 15:14:57
1032
原创 【人脸伪造检测后门攻击】 POISONED FORGERY FACE: TOWARDS BACKDOOR ATTACKS ON FACE FORGERY DETECTION
存在原因：对真实图像嵌入trigger时，在混合生成负样本时也会同时嵌入trigger，模型在训练时无法直接将trigger图像和正样本联系在一起，还会和负样本联系在一起。在研究动机中提到了人脸混合检测模型在训练过程中只使用真实样本，模型在训练时不会只将trigger和正样本联系在一起，还会与负样本（由正样本混合而成）联系在一起。是再现边界的关键步骤，并且是可以处理微分计算的，因此，作者在训练时在平移变换操作下优化trigger。：最大化正样本和负样本之间的trigger差异，如公式所示，最终的目标是。
2024-11-02 09:49:06
762
原创 【算法】DP问题——状态机模型
在没理解到使用状态压缩DP时，我尝试用一维数组建立，遍历可能存在的不同状态：① 继续喝同样的饮料；小时内选择饮用这两种饮料中的一种，以最大化总能量。但是，如果你从一个饮料切换到另一个，你需要等待一个小时才能开始获得能量。，分别代表两种能量饮料每小时提供的能量，在接下来的。，每一个状态都可能来自于不同的状态，切换状态的第。家房屋的状态划分为偷与没偷，对应了入门例子的第。的二维DP数组，若题目有三种饮料就是。，以入门例子为例，第一个状态是第。题目简述：有两个数组。
2024-11-01 17:22:50
383
原创 【数据结构】前缀树（Trie 树）
例如在{“911”， “91140”，“20”，“912”}中，“911”是“91140”的前缀。要求：在一组数找到两个数的最大异或值，以长度为3的数字为例子，当与“001”配对的能达到最大异或值的数字为“110”，即为反码。将字符串的每一个元素视为一个节点，例如“911”中将“9”，“1”，“1”视为不同的节点。例子：在[“001”，“101”，“100”，“111”] 中找到与 “111” 最大的异或对，从最高位开始，存在依次与。：二维数组，son[N] [10]，记录所有节的子节点的索引号。
2024-10-30 15:34:25
616
原创 NICE: NON-LINEAR INDEPENDENT COMPONENTS ESTIMATION
为了实现该想法，需要保证在变换过程中的雅可比行列式计算和逆运算方便，NICE提出了。 为了实现不同的通道参与变换，在实现过程中通过交替变换的方式，例如第 i + 1 层是。容易计算,如下所示,可以发现,无论m变换多么复杂,该变换的雅可比矩阵值行列式的值都为1.可以发现每一次的变换相对于在原来公式的基础上在乘以一个雅可比矩阵的行列式。的雅可比矩阵行列式是1，因此取对数后为0，因此为了丰富权重，还加入了。的雅可比矩阵始终为 I，因此最后得到的输出结果为。时,通过逆变换可以生成新图像,可以记为。
2024-10-29 15:05:35
714
原创 【数据结构】单调队列
在窗口大小上限为k的数组窗口中，始终保持该窗口的第一个值为该窗口的最大（小）值，并且窗口内的剩余值单调递减（递增）窗口内存储索引的效率往往会比存储元素值的效率要高，不同存储方式判断窗口是否满了的方式不同；用数组存储窗口的效率不如双端队列，因为有删除第一个元素的操作；每日一题， 与单调队列相似，也可以看作是维护一个窗口的最大值。题目要求：依次输出在数组中以k为大小的滑动窗口的最大值。一种维护数组窗口最大值或者最小值的方法。该题目前采用动态规划的变形解决。
2024-10-27 22:21:09
816
原创 为什么hanlp安装不了？我通过以下方法解决啦
（1）安装Microsoft Visual C++插件conda install -c conda-forge jpype1（2）利用清华源安装hanlp就成功啦pip install -i https://pypi.tuna.tsinghua.edu.cn/simple hanpl
2022-05-09 16:50:22
905
原创 java数据库连接——（不听课也能连）
一、前言在刚接触数据库连接的时候会有很多人连接失败，包括我在初学的时候也不知道应该怎么去连接数据库，包括怎么去找连接数据库的jar包，连接mysql的时候为什么要用navicat...这篇文章是为了让初学者更好的完成数据库连接。 二、前置知识1.为什么连接mysql数据库要用到navicat软件，可以不用吗？答：是可以的，navicat软件类似于一个前端窗口，可以使得我们对mysql进行图形化操作，但是如果没有navicat我们要对mysql进行...
2022-04-12 20:04:03
1176
1
原创 lingo学习
day1 上午求获利最大有目标函数以及约束函数：max = 72*x1+64*x2;x1+x2<50;12*x1+8*x2<480;3*x1<100;在lingo中，①默认变量为>=0，若需要变成实数则需要@free（x1）②<与<=是等价的运行所得到的结果：做灵敏度分析（只能用在连续型，不能离散型）的话还需要调整选项：然后点击range才会出现。回到最初的问题：1.最大获利为：3360，x1为20.
2021-06-28 20:42:12
2485
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人