Adversarial 第3页

读书笔记17：Adversarial Attacks on Neural Networks for Graph Data

https://arxiv.org/pdf/1805.07984.pdf看过之后有一个思考，adversarialattack的目标是事先选定一个class，然后选择攻击方式，尽可能使得模型把样本分类成这个类别，并且classprobability和原class的probability拉开差距，但是可不可以将目标设定为最小化原分类class的probability，也就是只将目标定位为使targe

b224618·2023-11-05 04:37

AdvFaces: Adversarial Face Synthesis

AdvFaces:AdversarialFaceSynthesisAdvFaces:对抗性人脸合成摘要我们提出了AdvFaces，一种自动对抗人脸合成方法，通过生成对抗网络学习在显著面部区域产生最小的扰动。一旦AdvFaces经过训练，它就可以自动产生难以察觉的扰动，从而避开最先进的人脸匹配器，攻击成功率分别高达97:22%和24:30%，用于混淆和模拟攻击。1.introduction我们强调对

程序媛堆堆·2023-11-05 04:06

【文字超分辨率】Improving Text Image Resolution using a Deep Generative Adversarial Network for OCR 阅读笔记

会议：2019InternationalConferenceonDocumentAnalysisandRecognition(ICDAR)Abstract为了提高OCR的准确率，本文提出了一种基于GAN的方法。使用了perceptualloss，包括anadversarialloss,acontentlossandanL1loss.INTRODUCTION随着深度学习的发展，许多用于提高识别精度的

刘芋儿·2023-11-03 05:16

【车牌超分辨率】Super Resolution of Car Plate Images Using Generative Adversarial Networks 阅读笔记

最近在研究文字图像的超分辨率，下载了几篇论文，准备略读一下，每篇文章写个笔记做记录。Paper：SuperResolutionofCarPlateImagesUsingGenerativeAdversarialNetworksAbstract车牌识别可以用于交通监控系统，例如智能停车场管理，查找被盗车辆和自动高速公路收费。在低分辨率监视系统中，车牌文本通常难以辨认。通过将一系列LR图像处理为单个高

刘芋儿·2023-11-03 05:46

程序员易读错单词发音

正确发音（美音）错误发音access/'ækses//ˈækses//ək'ses/Adobe/ə'dəʊbi//ə'dəʊbi//əˈdub/admin/'ædmɪn//ˈædmɪn//ɜ:d'mɪn/adversarial

乐享技术·2023-10-31 21:28

论文笔记——ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks

基本信息标题：ESRGAN:EnhancedSuper-ResolutionGenerativeAdversarialNetworks简称：ESRGAN时间：2018年初版，1Sep2018,ECCV2018PIRMWorkshop作者：XintaoWang,KeYu,ShixiangWu,JinjinGu,YihaoLiu,ChaoDong,ChenChangeLoy,YuQiao,Xiaoou

TracelessLe·2023-10-30 06:56

End-to-End Adversarial-Attention Network for Multi-Modal Clustering

方法融合表征hf_ff=∑v\sum_v∑vwv_vvhvh^vhv辅助信息作者未提供代码

宇来风满楼·2023-10-29 13:37

InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets

InfoGAN:通过信息最大化的生成对抗网络进行的可解释表示的学习摘要：这篇论文描述了InfoGAN，一种对于对抗生成网络的信息理论上的扩展，它能够以完全无监督的方式学习分离的表达。InfoGAN是一个对抗生成网络，它也会最大化隐藏变量的一个小的子集和观察数据之间的互信息。我们推出了可以被高效优化的互信息目标函数的下界。特别地说，InfoGAN成功了从MNIST数据集的数字形状中分离出了书写风格，

马小李23·2023-10-27 13:27

Class-Aware Robust Adversarial Training for Object Detection论文阅读笔记

针对目标检测的类感知对抗训练2021年的CVPR，哥伦比亚大学和中心研究院合作的工作。摘要：目的通过对抗训练增强目标检测的鲁棒性，对于一张给定的图像，本文提出的方法产生一个通用的对抗性攻击来同时攻击图像中所有的目标，共同最大化每个对象各自的损失，然后将总损失再分解成类损失，按照该类的数量进行归一化。引言：（这里理一下之前一直都没清楚的时间线，关于对抗攻击的）： 2014年的ICLR文章——《

骑驴去学习·2023-10-27 07:10

Adversarial attacks and defenses on AI in medical imaging informatics: A survey

AdversarialattacksanddefensesonAIinmedicalimaginginformatics:Asurvey----《AI在医学影像信息学中的对抗性攻击与防御：综述》背景：之前的研究表明，人们对医疗DNN及其易受对抗性攻击的脆弱性一直存在疑虑。摘要：近年来，医学图像显着改善并促进了多种任务的诊断，包括肺部疾病分类、结节检测、脑肿瘤分割和身体器官识别。另一方面，机器学

今我来思雨霏霏_JYF·2023-10-27 04:36

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

GANDissection:VisualizingandUnderstandingGenerativeAdversarialNetworks该论文介绍了一个可视化和理解生成网络学得结构的框架，通过定义一些可解释的单元并通过干涉这些单元来探究生成网络中的因果关系。GANpaint工具本文还提供了一个非常有意思的demo，只要鼠标划过，GAN就可以立即在你指定的地方画出云彩、草地、门和树等景物，并直接

EwanRenton·2023-10-23 01:50

论文阅读之Black-box Adversarial Example Attack towards FCG

目录1Introduction2Preliminaries2.1FeaturesforAndroidmalwaredetection2.2FCGbasedAndroidmalwaredetection3Problemformulation3.1System&Threat3.2Attackformulation4Malwaremanipulation4.1Backgroundofmalwareman

Gubanzeng·2023-10-19 02:50

Adversarial Attack on Graph Structured Data

[ICML'18]AdversarialAttackonGraphStructuredDataKeywords:GraphAdversarialLearningTakeaways:ComingSoon...【转载声明】转载或引用本博客文章请注明出处--AISecPaperShare

已迁移到CSDN·2023-10-18 10:37

【论文阅读】SynDiff Unsupervised Medical Image Translation with Adversarial Diffusion Models

UnsupervisedMedicalImageTranslationwithAdversarialDiffusionModels论文大致翻译和主要内容讲解文章目录摘要：贡献：相关工作：方法：对抗性扩散过程：训练步骤(自己结合代码所写）：摘要：通过源-目标通道转换对缺失图像进行填充可以提高医学成像协议的多样性。合成目标图像的普遍方法包括通过生成性对抗网络(GAN)的一次映射。然而，隐含地描述图像分

求求你来BUG行不行·2023-10-17 23:50

论文阅读：VITS2: Improving Quality and Efficiency of Single-Stage Text-to-Speech with Adversarial

论文标题是“VITS2:ImprovingQualityandEfficiencyofSingle-StageText-to-SpeechwithAdversarialLearningandArchitectureDesign”，写不下了，是2023.7.31原vits团队刚刚挂在arxiv上的文章，主要基于四个方面对vits做了改动，此篇文章我们就不讲vits，主要分析vits2的部分。摘要单阶

别和我卷！·2023-10-17 21:42

生成对抗网络（Generative Adversarial Networks,GAN）——让机器学习具有创造力

1生成对抗网络概述有时候我们希望网络具有一定的创造力，比如画画、编曲等等，能否实现呢？是可以实现的，大家可以鉴别一下下面这几张照片，哪些是真实的人脸，哪些是机器生成的人脸。很难判断吧？本节最后会给出答案。到底哪些是机器产生的？要实现上述能力，就要用到一种新的网络架构—生成对抗网络（GenerativeAdversarialNet，GAN）。首先，我们大概来了解一下什么是“生成”，什么是“对抗”。8

偶尔写一写·2023-10-13 16:50

读论文：ByteSGAN: A semi-supervised Generative Adversarial Network for encrypted traffic classification

ByteSGAN：半监督生成对抗网络，用于SDNEdge网关中的加密流量分类0、摘要SDNEdgeGateway作为距离用户最近的网络元素，可以通过流量分类能力来提升用户体验。目前针对于捕获大型标记数据集是繁琐且耗时的体力劳动，半监督学习可以有效的解决这个问题。本文提出一种基于生成对抗网络GAN的半监督学习加密流量分类方法ByteSGAN,嵌入到SDNEdge网关中，以实现细粒度流量分类的目标，进

不会绑马尾的女孩·2023-10-12 09:07

Generative Adversarial Nets

Author:龙箬ComputerApplicationTechnologyChangetheWorldwithDataandArtificialIntelligence!CSDN@weixin_43975035生命不息，折腾不止Reference：[1]Goodfellow,I,Pouget-Abadie,J,Mirza,M,Xu,B,Warde-Farley,D,Ozair,S,Courvil

龙箬·2023-10-08 10:31

论文笔记：Can Adversarial Training benefit Trajectory Representation? AnInvestigation on Robustness for

CanAdversarialTrainingbenefitTrajectoryRepresentation?AnInvestigationonRobustnessforTrajectorySimilarityComputation22CIKM1intro1.1背景与传统基于成对轨迹点的TSC（trajectorysimilaritycomparison）相比，基于深度学习生成的向量的TSC具有较低

UQI-LIUWJ·2023-10-06 01:17

Spectral Normalization for Generative Adversarial Networks

对抗生成网络的谱标准化摘要：生成对抗网络研究中的一个挑战就是它训练的不稳定性。在本篇文章中，我们提出了一种新的称为谱标准化的权重标准化技术来稳定分辨器的训练。我们的新的标准化技术计算量少，并且很容易并入现有的实现中。我们在CIFAR10，STL-10和ILSVRC2012数据集上测试了谱标准化的功效，然后我们在实验上证实了谱标准化的GANs（SN-GANs）能够产生相较之前的训练稳定技术更高质量或

马小李23·2023-10-05 00:23

Zero-Shot Learning by Harnessing Adversarial Samples 理论 & 代码解读

《Zero-ShotLearningbyHarnessingAdversarialSamples》基于对抗样本的零样本学习该论文要解决的问题：减轻了传统图像增强技术中固有的语义失真问题。我们希望我们的实验研究将有助于理解单标签监督和语义属性监督在模型行为上的差异，并为开发更强大的语义条件视觉增强铺平道路。然而，这种方法也会对ZSL产生不利影响，因为传统的增强技术仅依赖于单一标签监督，无法保留语义信

computer_vision_chen·2023-10-01 21:58

初识GAN（Generative Adversarial Nets）网络

一、原理部分1.1基本思想GAN（GenerativeAdversarialNets）：生成对抗网络https://arxiv.org/abs/1406.2661首先附上一张对抗生成网络流程图，大致的网络流程：生成器G生成假图片，判别器D判别照片真假，最终达到纳什平衡（p=0.5），两个网络交替训练。GAN包括了两套独立的网络，两者之间作为互相对抗的目标。第一套网络是我们需要训练的分类器（下图中的

HHzdh·2023-09-29 02:09

李宏毅hw-10 ——adversarial attack

一、查漏补缺：1.关于glob.glob的用法，返回一个文件路径的列表：当然，再套用1个sort，就是将所有的文件路径按照字母进行排序了2.relpath==relative_path返回相对于基准路径的相对路径的函数二、代码剖析：1.加载对应的数据和引入必要的库+环境设置：#setupenvironment!pipinstallpytorchcv!pipinstallimgaug#downloa

诚威_lol_中大努力中·2023-09-25 22:55

图像增强（image enhancement）Aesthetic-Driven Image Enhancement by Adversarial Learning

2018MM的一篇论文，这篇论文针对的是美学驱动的图像增强方式，但是主要工作是通过gan网络学习超参数，可以很容易的借鉴到其他领域。ThearchitectureofourproposedEnhanceGANframework生成网络是标准的ResNet-101，去掉了最后的池化层和全连接层，最后的输出为2048个futuremap，这2048个future为之后生成超参数做准备。文中提到了三种后

牛肉塔克·2023-09-24 18:03

论文精读GAN: Generative Adversarial Nets

1基础背景2优缺点3未来发展趋势1基础背景论文链接：https://arxiv.org/abs/1406.2661源码地址：http://www.github.com/goodfeli/adversarial2

EEPI·2023-09-23 23:54

Adversarial Learning for Semi-Supervised Semantic Segmentation

作者提出了一种使用对抗网络的半监督语义分割方法。虽然大多数现有的鉴别器都经过训练，可以在图像级别将输入图像分类为真实图像还是伪图像，但是作者以完全卷积的方式设计了一个鉴别器，以便在考虑空间分辨率的情况下将预测的概率图与地面真实分割分布区分开。作者表明，通过将对抗性损失与所提出模型的标准交叉熵损失相结合，所提出的鉴别器可用于提高语义分割的准确性。此外，全卷积鉴别器通过在未标记图像的预测结果中发现值得

一技破万法·2023-09-22 15:23

《Self-Supervised Generative Adversarial Networks》论文笔记

说在前面的话，我认为这篇文章的核心思想是，使得G(z)与真实图片接近的保证，除了直接匹配比较两者，还有更多的保证手段，如在真实图像中捕捉到的某种特征，在G(z)中也能捕捉到。这些保证可以作为辅佐保证来提高G的生成质量。（在此文中，可检测旋转角度的一种特征便是我这里的某种特征。）文章核心思想实现的细节是，G和D都保留原始GAN损失函数项；另，D要以真实数据的旋转角度损失，去锻炼区分某种特征的能力（那

爱学习的Whitley·2023-09-20 18:30

论文总结《Adversarial Sampling and Training for Semi-Supervised Information Retrieval（AdvIR）》

原文链接AdvIR这篇文章是信息检索系统的鲁棒性，其中利用了从对抗训练的模型中挑选负样本，其实也是一篇去噪的文章。Motivationnon-labled的样本远远多于labled的样本（这里labled可以指推荐系统中用户点击了某一商品），即信息检索系统中数据的稀疏性，仅仅用均匀负采样（例如一个正例，从数据集中均匀采样100个负例）不能很好的解释现实世界，因为负样本不一定是用户不喜欢/不需要的，

Ordiiii·2023-09-17 02:48

论文总结《Adversarial Collaborative Neural Network for Robust Recommendation（ACAE/FG-ACAE）》

原文链接ACAEFG-ACAE这两篇文章可以连着看，而且这两篇文章都较为简单，如果读过APR[1]，就可以发现ACAE只不过是在神经网络的hiddenlayer加上了扰动，而FG-ACAE则是在ACAE上更加细粒度的扰动（用系数控制各层扰动的大小）。Motivation在这篇文章之前的工作要么在输入上加入随机扰动，如CDAE[2]利用自编码器在被破坏的（加入高斯噪声）的数据上进行学习；要么在lat

Ordiiii·2023-09-17 02:48

论文总结《Adversarial Personalized Ranking for Recommendation(APR)》

原文链接APR、本篇论文是对抗训练在RS领域的先锋作，在这篇文章前对抗训练应用在图像领域，以提高模型鲁棒性。本篇论文填补了对抗训练在RS领域的空缺，首次基于BPR进行对抗训练，以提高RS排序模型的鲁棒性。Motivation文章在Session2部分对MF的隐空间的扰动是否会造成推荐性能的下降，分析了BPR-MF是脆弱的。首先在BPR-MF隐空间（不在输入进行扰动是因为，userID/itemID

Ordiiii·2023-09-17 02:18

论文阅读 (100)：Simple Black-box Adversarial Attacks (2019ICML)

文章目录1概述1.1要点1.2代码1.3引用2背景2.1目标与非目标攻击2.2最小化损失2.3白盒威胁模型2.4黑盒威胁模型3简单黑盒攻击3.1算法3.2Cartesian基3.3离散余弦基3.4一般基3.5学习率ϵ\epsilonϵ3.6预算1概述1.1要点题目：简单黑盒对抗攻击(Simpleblack-boxadversarialattacks)策略：提出了一个在黑盒设置下构建对抗图像的简单方

因吉·2023-09-12 17:42

Pytorch Advanced(一) Generative Adversarial Networks

生成对抗神经网络GAN，发挥神经网络的想象力，可以说是十分厉害了参考1、AI作家2、将模糊图变清晰(去雨，去雾，去抖动，去马赛克等)，这需要AI具有“想象力”，能脑补情节；3、进行数据增强，根据已有数据生成更多新数据供以feed，可以减缓模型过拟合现象。那到底是怎么实现的呢？GAN中有两大组成部分G和DG是generator，生成器:负责凭空捏造数据出来D是discriminator，判别器:负责

青山渺渺·2023-09-12 01:50

【论文】Imitating Driver Behavior with Generative Adversarial Networks---使用生成对抗网络模仿驾驶员行为

紫色：要解决的问题或发现的问题红色：重点内容棕色：关联知识，名称绿色：了解内容，说明内容论文地址：待后续补充摘要准确预测和模拟人类驾驶行为的能力对于智能交通系统的发展至关重要。传统的建模方法采用简单的参数模型和行为克隆。本文采用一种方法来克服先前方法固有的级联误差问题，从而产生对轨迹扰动具有鲁棒性的真实行为。我们将生成对抗模仿学习扩展到循环策略的训练，并证明我们的模型在现实的高速公路模拟中优于基于

瑾怀轩·2023-09-09 17:49

Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation

一、核心贡献Tofullyexploitthesupervisioninthesourcedomain,weproposeafine-grainedadversariallearningstrategyforclass-levelfeaturealignmentwhilepreservingtheinternalstructureofsemanticsacrossdomains.Weadoptaf

LemonLee·2023-09-05 02:31

论文解读《Adversarial training methods for semi-supervised text classification》

1背景1.1对抗性实例（Adversarialexamples）通过对输入进行小扰动创建的实例，可显著增加机器学习模型所引起的损失对抗性实例的存在暴露了机器学习模型的脆弱性和局限性，也对安全敏感的应用场景带来了潜在的威胁；1.2对抗性训练训练模型正确分类未修改示例和对抗性示例的过程，使分类器对扰动具有鲁棒性目的：正则化手段，提升模型的性能（分类准确率），防止过拟合产生对抗样本，攻击深度学习模型，产

系统免驱动·2023-08-30 05:37

深度学习7:生成对抗网络 – Generative Adversarial Networks | GAN

ZhangJiQun&MXP·2023-08-27 07:19

理解生成对抗网络 GAN：Generative Adversarial Nets

引言上一篇文章理解差分自动编码器VAE：VariationalAutoEncoder讲解了生成模型VAE，VAE为了估计variationallowerbound的梯度，提出了SGVB，理论上比较复杂且包含了很多近似和假设，GAN也是一类生成模型，相比VAE在理论上更加直观，生成的样本质量也不错，因而受到大量研究者的关注。本文从数学角度分析了GAN的对抗损失究竟在学习什么，并解释了为什么GAN的训

xuanyu22·2023-08-27 06:03

cs231n assignment3 q4 Generative Adversarial Networks

文章目录嫌墨迹直接看代码Q4:GenerativeAdversarialNetworkssample_noise题面解析代码输出discriminator题面解析代码输出generator题面解析代码输出discriminator_loss题面解析代码输出generator_loss题面解析代码get_optimizer题面解析代码输出ls_discriminator_lossls_generat

理智点·2023-08-26 15:39

EG3D: Efficient Geometry-aware 3D Generative Adversarial Networks [2022 CVPR]

长期以来，仅使用单视角二维照片集无监督生成高质量多视角一致图像和三维形状一直是一项挑战。现有的三维GAN要么计算密集，要么做出的近似值与三维不一致；前者限制了生成图像的质量和分辨率，后者则对多视角一致性和形状质量产生不利影响。在这项工作中，我们在不过度依赖这些近似值的情况下，提高了三维GAN的计算效率和图像质量。为此，我们引入了一种富有表现力的显式-隐式混合网络架构，结合其他设计选择，不仅能实时合

一直在努力的小宁·2023-08-24 07:18

GAN | 论文精读 Generative Adversarial Nets

提出一个GAN（GenerativeAdversarialNets）1方法（1）生成模型G（Generative），是用来得到分布的，在统计学眼里，整个世界是通过采样不同的分布得到的，生成东西的话，目前就是要抓住一个数据的分布，（2）辨别模型D（D）,他是来辨别你的样本究竟是从真实世界来的呢，还是来自于G李沐老师把型G是造假币的人，然后D是鉴别假币的人两个人相互对抗，提升各自的能力两个网络相互对抗

Qodi·2023-08-24 06:31

Image-to-Image Translation with Conditional Adversarial Nets

https://phillipi.github.io/pix2pix/Image-to-ImageTranslationwithConditionalAdversarialNetsPhillipIsolaJun-YanZhuTinghuiZhouAlexeiA.EfrosUniverityofCalifornia,BerkeleyInCVPR2017[Paper][GitHub]Examplere

dopami·2023-08-23 10:57

A Gradient-based Textual Adversarial Attack Framework

BridgetheGapBetweenCVandNLP!AGradient-basedTextualAdversarialAttackFramework作者：LifanYuan,YichiZhang,YangyiChen,WeiWei类别：黑盒基于决策的对抗攻击摘要尽管基于优化的对抗攻击在计算机视觉领域是有效的，但是不能直接用于自然语言处理领域的离散文本。为解决这一问题，作者提出了一种统一的框架，

小菜鸟的进阶史·2023-08-19 12:05

论文阅读——Imperceptible Adversarial Attack via Invertible Neural Networks

ImperceptibleAdversarialAttackviaInvertibleNeuralNetworks作者：ZihanChen,ZiyueWang,JunjieHuang*,WentaoZhao,XiaoLiu,DejianGuan解决的问题：虽然视觉不可感知性是对抗性示例的理想特性，但传统的对抗性攻击仍然会产生可追踪的对抗扰动。代码：https://github.com/jjhuan

小菜鸟的进阶史·2023-08-19 12:56

文章学习24“Image Blind Denoising With Generative Adversarial Network Based Noise Modeling”

这篇文章是CVPR2018里做图像去噪的文章之一，主要针对的是图像里的盲去噪，也就是指在不知道噪声水平下的去噪。作者是中山大学和CVTE合作，文章的主要思路和我现在做的很类似，用一个CNN网络来拟合图像中的噪声，网络就是拿DnCNN改的，把最后的subtract去掉。但是由于数据集不够，所以提出来了用GAN来产生噪声以和干净图像结合增加数据量。图像去噪领域内的工作之前也都有介绍，这篇文章就是把Dn

Carrie_Hou·2023-08-18 19:01

[NAS4]Tiny adversarial multi-objective one-shot neural architecture search

论文链接：https://arxiv.org/abs/2103.00363v1代码链接：摘要：移动设备中广泛使用的微小神经网络（TNN）容易受到对抗性攻击，对TNN鲁棒性的更先进研究需求也越来越大。本文关注于如何在不损失模型精度的情况下提升TNN的鲁棒性。为了在对抗精度adversarailaccuracy，干净精度cleanaccuracy，和模型尺寸间达到平衡，本文提出了TAM-NAS算法，一

Eavan努力努力再努力·2023-08-18 14:02

Guided Adversarial Attack for Evaluating and Enhancing Adversarial Defenses

白盒攻击GuidedAdversarialAttackforEvaluatingandEnhancingAdversarialDefenses文章连接https://papers.nips.cc/paper/2020/file/ea3ed20b6b101a09085ef09c97da1597-Paper.pdf代码连接GuidedAdversarialAttackforEvaluatingandE

小菜鸟的进阶史·2023-08-15 08:40

论文阅读——Sparse-RS: a Versatile Framework for Query-Efficient Sparse Black-Box Adversarial Attacks

Sparse-RS:aVersatileFrameworkforQuery-EfficientSparseBlack-BoxAdversarialAttacks作者：FrancescoCroce,MaksymAndriushchenko等代码：https://github.com/fra31/sparse-rs攻击类别：patch、可见、稀疏可见、黑盒、目标攻击(targeted)+非目标攻击（u