robust专题

Image Transformation can make Neural Networks more robust against Adversarial Examples

Image Transformation can make Neural Networks more robust against Adversarial Examples 创新点 1.旋转解决误分类总结可以说简单粗暴有效

Segmentation简记2-RESIDUAL PYRAMID FCN FOR ROBUST FOLLICLE SEGMENTATION

创新点与resnet结合，五层/level的分割由此带来的梯度更新问题，设计了两种方案。总结有点意思。看图吧，很明了。细节图：全流程图：实验 Res-Seg-Net-horz: 在UNet上堆叠5个细节图中的结构，没有上采样层。 Res-Seg-Net-non-fixed: 普通方式的更新 Res-Seg-Net-fixed: 每一层的更新，只依据距离它最近的一

论文泛读: TransNeXt: Robust Foveal Visual Perception for Vision Transformers

文章目录 TransNeXt: Robust Foveal Visual Perception for Vision Transformers论文中的知识补充非QKV注意力变体仿生视觉建模动机现状问题贡献方法 TransNeXt: Robust Foveal Visual Perception for Vision Transformers 论文链接: https://o

2010-ECCV - Two-phase kernel estimation for robust motion deblurring

项目地址：http://www.cse.cuhk.edu.hk/~leojia/projects/robust_deblur/index.html 贾佳亚团队边缘预测与边缘选择，过滤细微结构对于模糊核估计的影响分两阶段估计模糊核，第一阶段：L2范数，第二阶段：L1范数图像先验，在估计模糊核过程中使用空间结构先验，非盲阶段时使用TV范数文章首先了图像结构如何影响模糊核结构： Salien

论文学习 Learning Robust Representations via Multi-View Information Bottleneck

Code available at https://github.com/mfederici/Multi-View-Information-Bottleneck 摘要：信息瓶颈原理为表示学习提供了一种信息论方法，通过训练编码器保留与预测标签相关的所有信息，同时最小化表示中其他多余信息的数量。然而，最初的公式需要标记数据来识别多余的信息。在这项工作中，我们将这种能力扩展到多视图无监督设置，其中提供

深度学习论文: DINOv2: Learning Robust Visual Features without Supervision

深度学习论文: DINOv2: Learning Robust Visual Features without Supervision DINOv2: Learning Robust Visual Features without Supervision PDF: https://arxiv.org/abs/2304.07193 PyTorch代码: https://github.com/shan

【机器学习论文阅读笔记】Robust Recovery of Subspace Structures by Low-Rank Representation

前言终于要轮到自己汇报了好崩溃。。盯着论文准备开始做汇报ppt感觉一头乱麻，决定还是写博客理清思路再说吧参考资料：论文原文：arxiv.org/pdf/1010.2955 RPCA参考文章：RPCA - 知乎 (zhihu.com) 谱聚类参考文章：谱聚类（spectral clustering）原理总结 - 刘建平Pinard - 博客园 (cnblogs.com) 一、问题描

论文解读 Combating Adversarial Misspellings with Robust Word Recognition

1. 简介论文链接 https://www.aclweb.org/anthology/P19-1561.pdf 这篇文章发表在ACL19，目的是为了解决错误拼写的对抗（adversarial misspellings）问题。尽管现在的deep learning和Transformer已经非常先进，但是当他们面对错误拼写时仍然十分的脆弱（brittle），一个单词的字母写错就可以愚弄（fool

数字水印 | 图像标准化论文：Digital Watermarking Robust to Geometric Distortions（一）

目录 II Watermark Based on Image NormalizationA 图像的矩和仿射变换B 图像的标准化 🤖原文： Digital Watermarking Robust to Geometric Distortions 🤖前言：这是一篇 2005 年的 SCI 一区 + CCF-A，但是网上关于它的讲解貌似挺少的。文中提出了两种数字水印方

数字水印 | 图像标准化论文：Digital Watermarking Robust to Geometric Distortions（二）

目录 C 变换参数的确定D 水印的影响E 可替代的标准化过程 🤖原文： Digital Watermarking Robust to Geometric Distortions 🤖前言：这是一篇 2005 年的 SCI 一区 + CCF-A，但是网上关于它的讲解貌似挺少的。文中提出了两种数字水印方案，但是我只关注第一种方案中的图像标准化技术。由于本人很菜，因此可

NID-SLAM: Robust Monocular SLAM using Normalised Information Distance - Part2

在上一篇博客中，我介绍了NID-SLAM中的的Robust Direct NID Tracking的实现。这篇继续记录一下文章中 Multi-resolution NID Tracking的部分。 Multi-resolution NID Tracking 文中提到LSD-SLAM中为提高鲁棒性而使用image-pyramid的方法。LSD-SLAM中是对待匹配的原始图像建立图像金字塔。NI

Paper Share_ NID-SLAM_ Robust Monocular SLAM using Normalised Information Distance

【写在前面】一直都有写博客的意愿，但是一直都没有实际行动。尝试了几次也都没有坚持下来。这次打算逼自己一下，坚持下去。这次决心坚持写博客也是出于记录平时自己日常所学的考虑。平时有时间或者需要会去看论文，但是一篇论文当时看的时候似乎是懂了，但是过几天就没什么印象了。感觉这样效果很不好。所以打算写博客记录自己所看的论文。其一是加深自己的理解，其二是记录分析的内容和过程，方便日后查看与

Enterprise Java 2 Security: Building Secure and Robust J2EE Applications

鲁棒线性模型估计(Robust linear model estimation)

鲁棒线性模型估计 1.RANSAC算法1.1 算法的基本原理1.2 迭代次数N的计算1.3 参考代码参考文献当数据中出现较多异常点时，常用的线性回归OLS会因为这些异常点的存在无法正确估计线性模型的参数： W = ( X T X ) − 1 X T Y \qquad \qquad W=(X^TX)^{-1}X^TY W=(XTX)−1XTY 此时就需要寻找更鲁棒的方法过滤掉

【ViT系列】TransNeXt: Robust Foveal Visual Perception for Vision Transformers

论文链接：https://arxiv.org/pdf/2311.17132.pdf 代码链接：https://github.com/DaiShiResearch/TransNeXt 一、摘要 1、引入了Pixel-focused Attention（PFA），它采用双路径设计。在一个路径中，每个查询对其最近邻特征具有细粒度的注意力，而在另一个路径中，每个查询对空间下采样特征具有粗粒度的注

PSENet：Shape Robust Text Detection with Progressive Scale Expansion Network ---- 论文翻译

论文地址：https://arxiv.org/abs/1903.12473 论文解读：https://blog.csdn.net/m0_38007695/article/details/96438264 渐进式扩展网络的形状鲁棒文本检测摘要场景文本检测已经取得了快速进展，特别是随着最近卷积神经网络的发展。但是，仍然存在两个阻碍算法进入工业应用的挑战。一方面，大多数现有技术都需要四边

论文阅读——Efficient and Robust Feature Selection via Joint L2,1-Norms Minimization

一、前言最近因为对结构化多任务学习，以及对带范数目标函数求解的学习，一直都很想求解带L2,1范数的目标函数（其实这只是个过程），针对这样的不光滑目标函数，梯度下降法并不合适。虽然sklearn中的MultiTaskLasso也是这样的目标函数，并且使用了坐标下降法来求解，但是当目标函数中的损失函数也用L2,1范数时我又懵圈了。正当我琢磨是不是能把两部分合在一起求解一个L2,1范数时（其

Robust Neural Network for Novelty Detection on Data Streams

基本信息题目：Robust Neural Network for Novelty Detection on Data Streams. 会议： International Conference on Artificial Intelligence and Soft Computing. 出版社： Springer-Verlag, 2012:178-186. 作者：Andrzej Rusi

A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms

A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms 论文总共分为六个部分，分别是：介绍，质量引导求解相位，残差点，载波信号的影响，本文建议的求解质量方法，实验与结论。质量引导解包本节中介绍的质量引导解包是2002年的一篇文章：Fast two dimensional phase-unw

【论文简述】MVSFormer：Multi-View Stereo by Learning Robust Image Features and Temperature-based（TMLR 2023）

一、论文简述 1. 第一作者：Chenjie Cao 2. 发表年份：2023 3. 发表期刊：TMLR 4. 关键词：MVS、3D重建、预训练、Vision Transformers 5. 探索动机：正则化并不能完全纠正来自反射或无纹理区域的模糊特征匹配，这些区域具有不可靠的2D图像特征。因此，在特征提取过程中学习良好的代表性特征，对于提高MVS的泛化程度仍具有重要意义。此前很少有工作

论文阅读：Ground-Fusion: A Low-cost Ground SLAM System Robust to Corner Cases

前言最近看到一篇ICRA2024上的新文章，是关于多传感器融合SLAM的，好像使用了最近几年文章中较火的轮式里程计。感觉这篇文章成果不错，代码和数据集都是开源的，今天仔细读并且翻译一下，理解创新点、感悟研究方向、指导自己的研究。这篇文章通篇略读，主要做了工作做了一个紧耦合的RGBD - Wheel - IMUGNSS SLAM系统，然后加了两个创新点工作，一个是初始化，一个是传感器退化检测。

Learning by tracking:Siamese CNN for robust target association

来源：arXiv:1604.07866v3 Aug 2016 Abstract 本文介绍了一种新的数据关联的方法，引入两阶段（two-stage）学习的模式来匹配检测对。 First，训练了一个孪生卷积神经网络来学习编码两个输入图像块的之间的local spatio-temporal structures，把像素值和光流信息给聚合起来。 Second，一系列上下文特征derived fro

[深度估计]RIDERS: Radar-Infrared Depth Estimation for Robust Sensing

RIDERS: 恶劣天气及环境下鲁棒的密集深度估计论文链接：https://arxiv.org/pdf/2402.02067.pdf 作者单位：浙江大学, 慕尼黑工业大学代码链接：https://github.com/MMOCKING/RIDERS 1. 摘要（Abstract）恶劣的天气条件, 包括雾霾、灰尘、雨雪和黑暗, 给准确的密集深度估计带来了巨大挑战。对于依赖

A robust self-learning method for fully unsupervised cross-lingual mappings of word embeddings论文笔记

回看前几篇笔记发现我剪贴的公式显示很乱，虽然编辑时调整过了，但是不知道为什么显示的和编辑时的不一样，为方便大家的阅读，我开始尝试着采用markdown的形式写笔记，前几篇有时间的话再修改。这篇论文阅读完，我依然有很多不懂的地方，对其操作不是很清晰，因为我没做过这方面的内容，且近期估计没时间学习其项目，所以记录理解的可能有误，希望大家带着思考阅读。 PS:感觉这篇文章的作者是这个方向的大神呢，

Resolution-robust Large Mask Inpainting with Fourier Convolutions(2021)

[Paper] Resolution-robust Large Mask Inpainting with Fourier Convolutions(2021) [Code]saic-mdal/lama 基于傅里叶卷积的分辨率稳健的大型掩码修复现在的图像修复系统，尽管取得了重大进展，但经常与大面积缺失区域、复杂几何结构和高分辨率图像做斗争。我们发现造成这种情况的主要原因之一是修复网络和损失函

ECOC 2020 Th1D-4 End-to-End Deep Learning for Phase Noise-Robust Multi-Dimensional Geometric Shaping

有作者在ECOC上讲的视频 https://www.youtube.com/watch?v=8pLfItf_yws&t=271s 一种针对相位噪声的端到端学习模型，在autoencoder中加入了卷积层，模型有2dB的增益。背景：相位噪声是相干光通信系统中很大的问题，有很多关于载波相位估计和相位噪声增强技术。比如，log-likelihood ratio (LLR)用来处理参与相位噪声