对抗学习
sdhabcjvchxvdxgshvc
这个作者很懒,什么都没留下…
展开
-
Image Defence(二): Training
Explaining And Harnessing A Dversarial Examples (ICLR2015)Observations:(1) 对抗样本可以被看作是高维点积的结果.其产生的原因是模型倾向于线性模型.(2)通过不同模型产生的对抗样本可以被看做,对于同一任务(3)噪声的方向比较重要,而不是空间中具体的哪个点.(4)因为方向是比较重要的,所以噪声会在不同的图像上产生(5)该论文提出了一系列的产生对抗噪声的方法(6)(7)(8)越容易优化的模型越容易被干扰(9)线性模.原创 2020-10-15 21:18:41 · 303 阅读 · 0 评论 -
Image Defence(一): Input
A study of the effect of JPG compression onadversarial images (ISBA2016)这篇论文主要探讨了JPG压缩对classificatioin的影响(FGS)。结论:对于小的扰动,JPG压缩提升较多;对于大的扰动,效果较少。Keeping the Bad Guys Out: Protecting and Vaccinating Deep Learning with JPEG CompressionAn important compon.原创 2020-10-15 00:17:18 · 631 阅读 · 0 评论 -
Adversarial Perturbations
这里写自定义目录标题Adversarial Perturbations新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入Adversarial Perturbations你好! 这是你第一次使用 Markdown编辑器 所原创 2020-10-11 22:05:30 · 1075 阅读 · 0 评论