FGSM知识总结

一、像素点问题

1、数字图像：每一个数字图像都是一个像素点矩阵，这个矩阵包含所有像素点的强度值。

2、像素点：最小的图像单元，一张图像由好多的像素点组成。像素就是图像的尺寸。

3、位图：也称点阵图，它是由许多点组成的，这些点称为像素。当许多不同颜色的点组合在一起后，便构成了一副完整的图像。 位图可以记录每一个点的数据信息，从而精确地制作色彩和色调变化丰富的图像。但是，由于位图图像与分辨率有关，它所包含的图像像素数目是一定的，若将图像放大到一定程度后，图像就会失真，边缘出现锯齿。
4、灰度：表示图像像素明暗程度的数值，也就是黑白图像中点的颜色深度，范围一般从0到255，白色为255 ，黑色为0。灰度值指的是单个像素点的亮度，灰度值越大表示越亮。灰度级表明图像中不同灰度的最大数量灰度级越大，图像的亮度范围越大。

5、通道：把图像分解成一个或多个颜色成分；①单通道：一个像素点只需一个数值表示，只能表示灰度，0为黑色； ②三通道：RGB模式，把图像分为红绿蓝三个通道，可以表示彩色，全0表示黑色；③四通道：在RGB基础上加上alpha通道，表示透明度，alpha=0表示全透明。

6、深度：深度即位数（比特数）①位深：一个像素点所占的总位数，也叫像素深度、图像深度等，其中位深 = 通道数 × 每个通道所占位数  ②256色图：n位的像素点可以表示2^n种颜色，称2^n色图，n=8时为256色图 ③8位RGB与8位图：前者的位数指每个通道所占的位数，后者指整个像素点共占的位数，其中8位RGB是一个24位图，也称为真彩。

7、

8、

 

 二、对抗样本的线性解释

参考：[论文笔记]Explaining & Harnessing Adversarial Examples - 知乎

 三、非线性模型的线性扰动

       作者利用对抗样本的线性解释提出了一个快速产生对抗样本的方式，也即Fast Gradient Sign Method(FGSM)方法。

 实验表明，FGSM这种简单的算法确实可以产生误分类的对抗样本，从而证明了作者假设的对抗样本的产生原因是由于模型的线性特性。同时，这种算法也可作为一种加速对抗训练的方法。

四、线性模型的对抗训练参考：

参考：

逻辑回归：

①https://zhuanlan.zhihu.com/p/28408516

②https://blog.csdn.net/walilk/article/details/51107380

公式推导：

①https://blog.csdn.net/mutouretu/article/details/105250382

 

 

 

 六、线性模型的对抗训练

七、RBF网络

https://www.cnblogs.com/pinking/p/9349695.html