对抗性专题
温度缩放temperature scaling，以及其在对抗性样本的隐私泄露中的作用
温度缩放是一种后处理技术，主要用于校准模型的预测置信度。具体来说，温度缩放可以调整模型输出的概率分布，使得这些概率更能准确反映模型的实际置信度。 温度缩放（Temperature Scaling）是一种用于校准机器学习模型输出置信度的后处理技术。它主要用于分类任务，特别是在神经网络模型中，以使得模型输出的概率更符合实际的置信水平。 背景 在分类任务中，神经网络模型通常会输出一组值，通过 so
左右互搏:生成型对抗性网络的强大威力
生成型对抗性网络，简称GEN，在2014年时被发明。它与上一节介绍的VAE也就是编解码网络一样，擅长于图像构造，然而它的功能比VAE要强大不少，我们现在时常听到AI合成网络主播，类似功能的实现绝大多数都基于我们这次要探讨的对抗性网络。 生成型对抗性网络一个非常显著的特点是左右互搏。它由两个子网络构成，一个子网络叫generator，它负责构造图片或相应数据，另一个网络叫discriminator
生成型对抗性网络入门实战一波流
前几节用代码介绍了生成型对抗性网络的实现，但后来我觉得代码的实现七拐八弯，很多不必要的烦琐会增加读者的理解负担，于是花时间把代码进行强力精简，希望由此能帮助有需要的读者更顺利的入门生成型对抗性网络。 顾名思义，该网络有一种“对抗”性质。它实际上由两个子网络组成，一个网络叫生成者，一个网络叫鉴别者，后者类似于老师的作用。根据我们自己的学习经验得知，老师的作用除了告诉你“怎么做”之外，最重要的是告诉
机器学习中对抗性攻击的介绍和示例
来源：DeepHub IMBA本文约1000字，建议阅读5分钟本文为你展示微小的变化如何导致灾难性的影响。 概念 对抗样本是专门设计的输入，旨在欺骗机器学习 (ML) 模型，从而导致高置信度的错误分类。有趣的是这种方式对图像所做的修改虽然温和，但足以欺骗 ML 模型。在这篇文章中，我想展示微小的变化如何导致灾难性的影响。下图总结了对抗性攻击的过程： 考虑上面的猫的图像，我们添加了一个小
基于剪枝的对抗性搜索的井字棋
基于剪枝对抗搜索的井子棋报告 1.问题 井字棋，英文名叫Tic-Tac-Toe，是一种在3*3格子上进行的连珠游戏，和五子棋比较类似，由于棋盘一般不画边框，格线排成井字故得名。只要一方的三个棋子连城一条线，就算胜出。 玩过这个游戏的人大都会发现，如果两个玩家都作出最好的选择，这个游戏是一定会平局的。所以，井字棋最常使用是作为儿童游戏。虽然这个游戏看上去很简单，但是它的整个过程却复杂得多
基于运动和区域感知的对抗性学习的热成像跌倒检测
Motion and Region Aware Adversarial Learning for Fall Detection with Thermal Imaging：基于运动和区域感知的对抗性学习的热成像跌倒检测 Motion and Region Aware Adversarial Learning for Fall Detection with Thermal Imaging(一)摘
扩散视觉反事实算法 DVC：对抗性鲁棒分类器 + 扩散模型，跨模态对比原始的 fundus 图 VS 生成的 OCT 图
对抗性鲁棒分类器 + 扩散模型：为 正常的 fundus 和 OCT 图，生成更多病症图 解决问题创新点 效果调参技巧总结Fundus 转 OCT（只是猜想，不一定）1. 疾病特征模拟2. 数据增强3. 疾病进展模拟4. 跨模态学习 解决问题 论文：https://arxiv.org/pdf/2311.11629.pdf 代码：https://github.co
用于从未配对的3D医学图像中进行多模式分割的统一生成对抗性网络
Unified generative adversarial networks for multimodal segmentation from unpaired 3D medical images 用于从未配对的3D医学图像中进行多模式分割的统一生成对抗性网络背景积累 贡献难点：贡献： 实验Effect of the weight λshape（形状损失权重的影响） 方法Translati
CTA-GAN：基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 CT到增强CT的合成技术
Generative Adversarial Network–based Noncontrast CT Angiography for Aorta and Carotid Arteries 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影背景贡献实验方法损失函数Thinking 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 https://github.com/yi
【新论文】【模型攻击】DiffAttack 针对基于扩散的对抗性净化的逃避攻击
DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial Purification 作者: Mintong Kang; Dawn Song; Bo Li 链接: http://arxiv.org/pdf/2311.16124v1 备注: Accepted to NeurIPS 2023 摘要: 基于扩散的净化防御利用扩散模型去
CTA-GAN：基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 CT到增强CT的合成技术
Generative Adversarial Network–based Noncontrast CT Angiography for Aorta and Carotid Arteries 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影背景贡献实验方法损失函数Thinking 基于生成对抗性网络的主动脉和颈动脉非集中CT血管造影 https://github.com/yi
BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统
BTS-GAN: Computer-aided segmentation system for breast tumor using MRI and conditional adversarial networks BTS-GAN：基于MRI和条件对抗性网络的乳腺肿瘤计算机辅助分割系统背景贡献实验方法Parallel dilated convolution module（并行扩展卷积模块）
ATLAS——对抗性机器学习威胁矩阵＜案例研究二＞
Adversarial ML Threat Matrix——对抗性机器学习威胁矩阵＜案例研究二＞ 前言Botnet Domain Generation Algorithm (DGA) Detection Evasion案例摘要矩阵映射侦察（Reconnaissance）机器学习攻击阶段（ML Attack Staging）在线绕过（Online Evasion） 论文通读与细节摘要一、介绍二
用AI戳穿魔术骗局？是时候帮人类开发对抗性技巧了
作者｜宇伊 出品 | 新芒X同步首发至 新芒 xinmang.ai 下面是见证奇迹的时刻。 这句话可能是大家对魔术的一个很深的记忆认知。随着几个数的倒计时，一出颇为神奇的场景出现，让人惊呼。 魔术可以解释为是在观众中产生不可能的幻觉的艺术。而今天有一个有意思的话题，如果用魔术来欺骗人工智能，或者用AI来戳穿魔术的把戏，会发生什么？ 这不，有这样一批研究人员就做起了研究和实验
基于生成对抗性网络的单图像超分辨率技术综述
论文：A review on Single Image Super Resolution techniques using generative adversarial network 单图像超分辨率(SISR)是一种从低分辨率(LR)图像中获得高像素密度和精细细节，以获得升级和更清晰的高分辨率(HR)图像的过程。在过去的十年中，基于卷积神经网络(C