- 博客(208)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 摘要更新中
指出该方法存在的问题/或者我们发现的新问题/忽略了什么…/导致次优的结果/无法达到最大的性能等等。（2和3可以合并，直接然而，存在的方法在白盒上…，本文 提出xx方法，which 简单介绍一下。引出需要修改的方法，且说明该方法最优。6. 实验结果 由于最先进的…1.简单介绍该方向的意义。
2025-02-08 02:51:32
161
原创 paper 写作
有论文为驱动力、压力才有动力精益求精、挖掘细节多思考、多分析较强的行动力长时间的精神高度集中PS: 这已经是 up 几年前的理解了，他的理解已经突破到了一个新的 level。
2025-01-14 01:56:26
709
原创 使用timm上自带的模型报错huggingface_hub.errors.LocalEntryNotFoundError:
最简单的方法 ：配置环境变量
2025-01-09 13:50:49
143
原创 深度学习经典优化器简洁代码（sgd、adam、adadelta、adagrad、adamax、adamw、nadm、rmsprop、rprop、sparseadam）
优化器的算法
2024-12-29 12:01:06
207
1
原创 对抗攻击VA-I-FGSM:Adversarial Examples with Virtual Step and Auxiliary Gradients
深度神经网络已被证明容易受到对抗样本的攻击，这些对抗样本通过向良性样本中添加人类难以察觉的扰动来欺骗神经网络。目前，基于迁移的实用型黑盒攻击正受到广泛关注。然而，大多数现有的基于迁移的攻击方法成功率相对有限。我们提议通过使用虚拟步长和辅助梯度来提高对抗样本的可迁移性。在这里，“虚拟步长”是指使用一个不同寻常的步长，并且仅在最后一次迭代中对对抗扰动进行裁剪；而“辅助梯度”是指不仅使用与真实标签相对应的梯度（针对无目标攻击），还使用与其他一些标签相对应的梯度来生成对抗扰动。
2024-12-29 11:09:47
384
原创 NCS：Enhancing Adversarial Transferability Through Neighborhood Conditional Sampling
NCS（Neighborhood Conditional Sampling）攻击算法是一种用于增强对抗样本转移性的新型攻击方法，其核心思想是通过寻找具有高期望对抗损失和低标准偏差的对抗区域，以提高对抗样本在不同模型之间的转移性。文章名字（Enhancing Adversarial Transferability Through Neighborhood Conditional Sampling）
2024-12-29 10:31:08
413
原创 实验服务器虚拟环境中安装pytorch
但是安装timm要注意.（看看自己的Swin在那个timm版本中不出错误）两个项目，我就需要创建2个虚拟环境，因为不同的项目需要的配置不同。安装过程中敲回车 然后yes 就行。最好选择pip 一般pip安装很容易成功 不会出错。在虚拟环境中查看python 目录。有2种安装，一个是conda 一个pip。通畅自己的项目在虚拟环境中跑，例如，我有。解决也很容易，就是太费时间，不如重新装。安装完了直接运行，缺少什么pip什么。下载，然后放到服务器目录里面.为了快速下载，直接去。
2024-12-26 01:43:40
854
原创 visio科研绘图
连接如下：https://blog.youkuaiyun.com/lyc_daniel/article/details/9356715如下：https://www.bilibili.com/video/BV1s24y1H766/?spm_id_from=333.337.search-card.all.click&vd_source=49d191875170de13342739f4b3261b21啊啊
2024-12-11 14:59:21
249
原创 机器学习最简单的分类任务入门
当运行上述代码时，会得到每种算法在鸢尾花测试集上的准确率，通过对比这些准确率可以对不同算法在该分类任务上的性能有一个初步的评估。请注意，不同的数据集、数据预处理方式以及算法参数调整都会对结果产生影响。以鸢尾花分类任务为例，几种不同的机器学习算法（决策树、支持向量机、K近邻）进行分类，并对比结果。
2024-12-09 14:25:16
417
原创 KMeans实验（以鸢尾花为例）
KMeans实验是一个经典的聚类分析实验，它利用KMeans算法将数据集中的样本分成K个簇，使得同一簇内的样本尽可能相似，而不同簇的样本尽可能不同。以下是以常用数据集（如鸢尾花数据集）为例的KMeans实验详细过程和内容，包括公式。
2024-11-25 14:14:47
1354
原创 启发式搜索
启发式搜索实验旨在探究启发式函数对搜索算法效率和效果的影响。通过比较不同启发式搜索算法在解决特定问题时的性能表现，如找到目标解的速度、搜索空间的扩展规模等，深入理解启发式搜索的原理和应用。八数码问题中的启发式函数曼哈顿距离计算每个数字在当前状态和目标状态下的行和列的差值的绝对值之和。如前面A*算法示例中的heuristic函数。错位数字个数计算当前状态下与目标状态相比，数字位置不同的个数。
2024-11-18 14:17:56
1222
原创 Excel(图例)中使用上标下标
2、选中“符号”标签，在字体中选择“Times New Roman”，在子集“拉丁语-1 增补”“进格的修饰字符”“组合用发音符”“音标扩充”“音标扩充增补”“上标和下标”中含有字母、数字的上下标；1、在单元格中先不输入需设为上下标的字符，而是使用插入字符，光标至于目标位置后，进入上方工具栏的“插入”菜单，点击“符号”；1、在Excel单元格中刷黑要设置成上标的字符，如m2中的2；3、在弹出的“设置单元格格式”对话框中选择上标（或下标）；2、单击右键，在弹出的对话框中选择“设置单元格格式”；
2024-11-08 15:42:07
1747
1
原创 visio中如何把所有图片变成大小一致且排序整齐
文章目录图片大小一致排列图片大小一致先选住所有要操作的图片，让那后按视图-任务窗口-大小和位置自己调成一样的高度与宽度注意 弄好一直 在点击一次 任务窗口-大小和位置排列开始界面排列*******选择对齐方式位置********* 自己研究
2024-09-10 08:44:52
5533
原创 预训练模型的使用torchvision.model和timm
当使用torchvision.models中的模型时，通常会加载预训练的权重，这些权重是在ImageNet上训练得到的。除了加载并使用预定义的模型，timm还提供了其他的功能，如自定义模型、模型集成、模型骨干架构提取等。通过上述代码，您可以方便地查看timm库中包含的所有模型，并选择最适合您项目需求的模型来进行使用。总而言之，timm是一个很有用的工具，可以帮助你快速实现各种计算机视觉任务，同时提供了丰富的模型选择和预训练权重。通过这种方式，您可以加载自己的模型权重而不使用预训练的权重。
2024-03-06 08:46:09
1748
原创 latex 使用 （更新）
的一个特殊用法，专门用于引用数学公式的标号。当给数学公式添加标签时，可以使用。都可以指定图片的排版位置，且前者用于单栏文档，后者用于双栏文档的宽图片插入。它们之间的区别在于所使用的命令和排版布局。是用于引用标签的命令，但针对不同类型的标签使用略有不同。用于引用普通的标签，例如章节、图表和公式等。可以引用具有标签的对象，并在文档中生成对应的编号。用于引用其他类型的标签，如章节、图表等。命令引用该标签，以生成公式的编号。用于双栏文档中的宽图片插入。用于引用数学公式的标签，它是。用于引用数学公式的标签，而。
2023-08-13 09:09:36
6758
原创 黑盒攻击（为什么选择基于迁移的攻击）
总之，黑盒攻击是在缺乏目标模型完全内部信息的情况下进行的攻击，基于观察模型输入输出的行为进行推断和攻击。基于查询的攻击：基于查询的黑盒攻击通过向目标模型发送一系列特定的查询来获取模型的输出，然后利用这些输出信息进行攻击。基于迁移的攻击：基于迁移的黑盒攻击利用已知模型或数据集的信息来攻击目标模型。综上所述，选择基于迁移的黑盒攻击可以更好地适应模型不可知性的情况，利用已有数据进行攻击，提供更贴近实际场景的评估。基于迁移的攻击可以利用已知模型的特性和行为来推断目标模型的性质，从而更有效地进行攻击。
2023-06-24 23:42:22
2914
原创 对抗样本-（CVPR‘2021) 通过方差调优（Variance Tuning）提升对抗样本的迁移性
我们提出一种名为方差调整的新方法，来增强迭代梯度攻击方法的攻击迁移能力。具体而言，在每次梯度计算的迭代中，我们并非直接使用当前梯度进行动量累积，而是进一步考虑上一次迭代的梯度方差，以调整当前梯度，从而稳定更新方向，并摆脱贫困局面。解决的问题：虽然白盒攻击已经取得了惊人的成功率，但大多数现有的攻击在黑盒情况下往往表现出较弱的迁移性，特别是在攻击具有防御机制的模型时。对采到的样本求近似方差。
2023-04-19 14:59:17
447
原创 对抗样本-(CVPR 2022)-通过基于对象多样化输入来提高有针对性对抗样本的可迁移性
本文提出了一种新的方法来生成有针对性的对抗样本，该方法通过使用多种不同的输入图像来生成更加丰富和多样化的图像。具体而言，该方法使用对象-多样化输入(ODI)技术来将同一种类的多幅图像合并成一个输入，并使用迭代FGSM攻击来生成有针对性的对抗样本。实验结果表明，与传统的FGSM攻击相比，采用ODI方法生成的对抗样本在准确率下降的条件下更具有鲁棒性和可迁移性。采用ODI方法生成的对抗样本具有更好的鲁棒性和可迁移性，能够有效克服当前对抗攻击存在的一些弱点。代打有些语法错误 思路没问题。
2023-04-11 16:22:08
638
原创 科研论文之Latex（高效方法）
在线latex不需要配置任何环境，导入压缩包直接使用。但是会出现偶尔掉线，经常重新连接。在线转换表格为latex code，无需下载。最大支持500行20列的表格。可自定义表格框线、字体、颜色、居中排列等等 界面简洁，操作方便，速度快。可导入CSV文件，也可直接粘贴数。
2023-04-04 10:49:35
1537
原创 对抗样本：ICLR 2022 基于积分梯度的对抗攻击（可迁移的黑盒攻击）Transferable Attack based on Integrated Gradients (TAIG)
作者将三种方法分别是优化标准目标函数、注意力图和平滑决策面集成到论文方法 TAIG 中，作者研究了两种计算直线路径和随机分段线性路径上积分梯度的 TAIG。实验结果表明，论文中提出的方法生成了高迁移性的对抗样本，并且可以与以前的方法进行无缝协同工作，而且 TAIG 的性能优于现有的方法。：该论文提出的攻击算法，在实验中特别费时间，每一次迭代需要循环N次（N为batch_size的大小），因此需要消耗大量的时间去生成对抗样本。发现该算法在白盒以及黑盒上的攻击表现都稍微低于其他顶会的攻击算法。
2023-03-20 19:21:28
816
原创 对抗攻击与防御（2022年顶会顶刊AAAI、ACM、 ECCV、NIPS、ICLR、CVPR）adversarial attack and defense汇总
2022年 关于对抗攻击跟防御的全部顶会、顶刊论文
2023-03-19 02:49:13
5571
原创 ICLR 2020，Nesterov Accelerated Gradient and Scale Invariance for Adversarial Attacks
相应地，现有的工作在前者上主要是采用了动量（MI-FGSM），后者主要是模型增强（模型集成攻击）。提高模型泛化性可以分为两类：一是更好的。
2023-03-13 18:05:54
294
原创 网络安全与程序设计实验二：Socket编程（客户端与服务端）
a. 服务器端：产生随机模除计算题目，向用户提问，根据用户提交的答案，评分，并记录总分。运用Socket API设计和实现网络编程。（1） 结合实际场景，提出网络编程想定（即设想），自行确定功能需求；（2） 设计和实现服务端程序、客户端程序；b. 客户端：回答服务器端提出的问题。
2023-03-10 10:17:33
660
2023年最新入门对抗样本、对抗攻击与防御资源
2023-01-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人