prinTao的博客

对抗性鲁棒分类器具有非鲁棒模型所没有的特征——感知对齐梯度（PAG）。一些研究已将 PAG 确定为稳健训练的副产品，但没有一篇研究将其视为一种独立现象，也没有研究其自身的影响。为此，我们制定了一个新的目标，在训练分类器中直接推广 PAG，并检查具有此类梯度的模型是否对对抗性攻击更稳健。对多个数据集和架构的大量实验验证了具有对齐梯度的模型表现出显着的鲁棒性，揭示了 PAG 和鲁棒性之间令人惊讶的双向联系。最后，我们表明更好的梯度对齐可以提高鲁棒性，并利用这一观察结果来提高现有对抗训练技术的鲁棒性。

优雅排版翻论文

远程使用tensorboardhttps://www.jianshu.com/p/9a0ecef29025bugpandas 和tqdm的tf.progress_apply(eval)等报错直接apply数据集划分从 YOLOX到YOLO5

minehttps://toolbox.google.com/datasetsearchhttps://github.com/awesomedata/awesome-public-datasetshttp://www.cvpapers.com/datasets.htmlhttps://github.com/jbhuang0604/awesome-computer-vision#datasetshttps://small-obstacle-dataset.github.io/outdatase

类似于HTML，语法格式很像，需要记忆常用的key word。不需要对齐，但是好看。通用格式开始文档导入包\usepackage{enumitem}\usepackage{宏包名称}常用指令编号编号格式enumerate\begin{enumerate}[编号格式] \item 被标号为1 \item 被标号为2\end{enumerate}可选编号格式(1) 括号1的格式i. 罗马数字1) 半括号方括号\begin{enumerate} \renewcomm