ODS:输出多样化采样,有效增强白盒和黑盒攻击的性能 | NeurIPS 2020
14红色石头 发布于 2021-04-16
【简介】 本文提出了一种新的采样策略——输出多样化采样,替代对抗攻击方法中常用的随机采样,使得目标模型的输出尽可能多样化,以此提高白盒攻击和黑盒攻击的有效性。实验表明,该种采样策略可以显著提升对抗攻击方法的性能。 论文地址: https://arxiv.org/abs/2003....
阅读(4168)评论(0)赞 (2)
红色石头 发布于 2021-04-16
【简介】 本文提出了一种新的采样策略——输出多样化采样,替代对抗攻击方法中常用的随机采样,使得目标模型的输出尽可能多样化,以此提高白盒攻击和黑盒攻击的有效性。实验表明,该种采样策略可以显著提升对抗攻击方法的性能。 论文地址: https://arxiv.org/abs/2003....
阅读(4168)评论(0)赞 (2)
红色石头 发布于 2021-03-15
实际工作中,目标检测 yolov3 或者 yolov4 模型移植到 AI 芯片中,经常需要将其先转换为 caffe1.x 模型,大家可能或多或少也有这方面的需求。例如华为海思 NNIE 只支持caffe1.x 模型,所以 yolov3/yolov4 模型要想在海思芯片上部署,转换...
阅读(6187)评论(0)赞 (1)
红色石头 发布于 2021-03-03
今天给大家推荐一个硬核干货:一个基于 PyTorch 的图像模型库(PyTorch Image Models,TIMM),用于最新图像分类。 这个库从 330+ 种预训练的最新图像分类模型中进行选择,方便我们使用提供的脚本在 ImageNet 等研究数据集上重新训练模型。而且,可...
阅读(6133)评论(0)赞 (3)
红色石头 发布于 2020-07-16
大名鼎鼎的 Mask RCNN 一举夺得 ICCV2017 Best Paper,名声大造。Mask RCNN 是何恺明基于以往的 Faster RCNN 架构提出的新的卷积网络,实现高效地检测图中的物体,并同时生成一张高质量的每个个体的分割掩码,即有效地目标的同时完成了高质量的...
阅读(9909)评论(0)赞 (4)
红色石头 发布于 2020-06-28
如今,AI有道已经陪伴读者两年了。在这段时间里,我们一直专注于人工智能最前沿的技术、干货和资讯,努力为读者呈现最有价值的 AI 信息,致力于为读者提供切实可行的 AI 学习路线。 两年的时间,我们已经发布了超过 160 篇技术干货文章,52 万字,电子版总共 1700 多页。内容...
阅读(30198)评论(0)赞 (13)
红色石头 发布于 2020-03-16
目标检测作为计算机视觉中的一个重要分支,近些年来随着神经网络理论研究的深入和硬件 GPU 算力的大幅度提升,一举成为全球人工智能研究的热点,落地项目也最先开始。 纵观 2013 年到 2020 年,从最早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年...
阅读(7524)评论(0)赞 (5)
红色石头 发布于 2020-01-06
说到深度学习自然语言处理的经典课程,第一个想到的就是斯坦福大学的 CS224N 课程。这门课是当之无愧的 NLP 经典课程。 CS224N 一直在保持更新,目前已经更新到了最新的 2019 版。本文将会详细整理出 CS224N(2019) 全套资源,包含 ppt、作业、项目等。 ...
阅读(6412)评论(0)赞 (1)
红色石头 发布于 2020-01-06
这里不再介绍 mmdetection 的安装和配置,使用 mmdetection 较简单的方法是使用已安装 mmdetection 的 docker 容器。这样直接省去了安装 mmdetection 的过程,让重心放在模型训练上! 如果你对 docker 和 mmdetectio...
阅读(7154)评论(0)赞 (2)
红色石头 发布于 2019-12-15
PyTorch 如今已经称为最受欢迎的深度学习框架之一了!2019年1月到6月底,在 http://arXiv.org 上发表的论文中,提及TensorFlow和PyTorch的数量相差无几。与2018年1月到6月相比,PyTorch增长了194%。相比之下,TensorFlow...
阅读(6098)评论(0)赞 (7)
红色石头 发布于 2019-11-15
2019 年 10 月,谷歌正式宣布,开源机器学习库 TensorFlow 2.0 现在可供公众使用。TensorFlow 2.0 的 Alpha 版本今年初在 TensorFlow 开发者大会上首次发布,经过近 7 个月的不断修改、更新,TensorFlow 2.0正式版可谓是...
阅读(8581)评论(0)赞 (8)