- 博客(3)
- 收藏
- 关注
RSS订阅原创 L2、分类攻击应用于reid等相关理解
交叉熵损失 (Cross-Entropy Loss) 三元组损失 (Triplet Loss)、对比损失 (Contrastive Loss)攻击成功与否是在整体上看的，和其他攻击方法或者before attack比较识别率下降的。虽然归一化也需要计算开销，但是一张图只需要一次，然后之后就不需要重复计算。即是预测值（代替可以使维度或者类数量一样，这是交叉熵算的时候的要求），做分类攻击的时候不用去掉，特征攻击就需要去掉分类层。：在 argmax 或 argmin 中，L2归一化 （L2用于模长的计算)
2026-09-25 20:08:17
175
原创 注意及流程
本文摘要主要介绍了对抗样本生成与测试的配置流程和跨数据集/模型实验设置。内容包括：1)环境变量配置（OMP/MKL线程数、HF镜像）；2)对抗样本生成脚本调用说明；3)跨数据集测试流程（Market-1501/Duke/MSMT17间的迁移实验）；4)跨模型测试（DenseNet121/HRNet18等）；5)特征攻击方法（ODFA/LTA/GAGA）及分类头处理；6)防御测试脚本链（a_defence_test.py→defence.py）。实验涉及黑白盒攻击、对抗样本保存及模型鲁棒性评估。
2026-06-12 19:58:26
36
原创 跨数据集跨模型攻击
读取刚才生成的 Duke 对抗 query，计算 Rank@1 / mAP --query_data_dir adv_duke_query_data。去处理 Duke 的 query 图片，给 Duke 的 query 图片加扰动 --test_dir Duke/pytorch。生成 Duke 的对抗 query并保存到相应位置 --adv_query adv_duke_query_data。用 Market 训练好的 ResNet50 模型 --use_data Market-1501。
2026-06-12 17:13:57
252
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人