2023.05.31
自动驾驶关于对抗攻击的鲁棒性研究
探讨自动驾驶中物理对抗攻击的种类及其对系统安全性的影响，分析不同传感器面临的对抗攻击方法，并提出相应的防御策略。
-
- 2023.03.22
雕刻字自动排样算法
本文介绍了一种雕刻字自动排样算法，旨在提高雕刻机的排版效率，减少人工操作，节省材料成本。该算法能够自动处理中文、外文及各种形状的文字排版，优化封闭图形的排版效果，并允许用户自定义排版间距，适用于户外广告行业的实际需求。
- 2023.02.05
FSR402压力传感器Unity演示
使用FSR402压力传感器采集压力数据并通过Unity进行可视化演示
- 2023.02.01
PyTorch Geometric(PyG) 库的安装
PyTorch Geometric(PyG)库的安装教程，包括环境配置、CUDA安装和依赖包安装的详细步骤
- 2022.09.02
Obsidian | Templater插件+QuickAdd插件自动模板
Obsidian Templater插件和QuickAdd插件的安装与使用教程，包括模板创建和自动命名功能
- 2022.05.01
行人检测中的3D物理对抗样本生成方法
本文介绍了一种新颖的3D物理对抗样本生成方法，旨在通过生成可在多角度进行攻击的对抗纹理，提升行人检测模型的攻击效果。该方法利用TC-EGA技术，将对抗纹理制作成衣物，成功欺骗行人检测系统，展示了在实际环境中对抗攻击的潜力和应用前景。
- 2022.04.27
自动驾驶轨迹预测中的对抗样本
探讨了自动驾驶轨迹预测中的对抗样本生成方法及其对模型鲁棒性的影响，分析了不同攻击方式对轨迹预测的干扰程度，并提出了相应的防御策略。
- 2021.09.15
既可以减少查询次数，有可以提高攻击成功率的黑盒攻击方法
该方法通过结合transfer-based和score-based的思路，既可以减少查询次数，又可以提高黑盒攻击的成功率，是一种创新的黑盒攻击样本生成方法。
- 2021.09.13
一个模型就可以生成多种针对不同类型的对抗样本，更轻
本文提出了一种基于条件生成对抗网络(cGAN)的对抗样本生成方法GAP++
- 2021.09.11
提出了一种利用图像转换，提高对抗训练对局部鲁棒特征的学习的方法
提出了一种新的方法，通过图像转换技术来增强对抗训练的效果，旨在提高模型对局部特征的鲁棒性和泛化能力。
- 2021.09.09
在基于图像转换的防御方法基础上引入了softmax分布分类器
在这篇文章中，我们探讨了一种新的防御方法，通过引入softmax分布分类器来增强基于图像转换的防御机制。该方法旨在提高对抗样本和干净样本的分类准确率，解决了传统随机输入变换方法在提升对抗样本准确率时对干净样本正确率的负面影响。
- 2021.09.07
无需对抗样本训练即可提高模型鲁棒性的方法（JARN）
本文介绍了一种新的方法，旨在提高模型的鲁棒性，而无需依赖对抗样本实例进行对抗训练。这种方法通过优化模型输出的雅可比矩阵，提供了一种新的视角来增强模型的防御能力。
- 2021.09.05
利用skip connections模块生成迁移性强的对抗样本
利用skip connections模块生成迁移性强的对抗样本的研究，探讨其在对抗攻击中的应用与效果。
- 2021.09.03
提出了新的激活函数k-WTA，以更好的防御基于梯度的对抗攻击
提出了k-Winners-Take-All (k-WTA) 激活函数，这是一种C0不连续函数，旨在更有效地防御基于梯度的对抗攻击，从而提高模型的鲁棒性和分类准确率。
- 2021.09.01
首个无需真实数据的黑盒攻击模型
本文介绍了一种创新的黑盒攻击模型，首个无需真实数据即可生成对抗样本的方法，具有较高的攻击成功率和实用性。
- 2021.08.24
提出了矩形遮挡攻击，提高模型对可物理实现的攻击的鲁棒性
提出了矩形遮挡攻击（ROA），通过引入固定尺寸的矩形遮挡物，增强模型对可物理实现攻击的鲁棒性。该方法结合对抗训练和随机平滑技术，旨在有效抵御现实环境中的对抗性攻击。
当前筛选下还没有文章，可以试试切换到其他分类或主题。