论文链接：https://openaccess.thecvf.com/content/CVPR2022W/UG2/papers/Wu_Contrastive_Learning-Based_Robust_Object_Detection_Under_Smoky_Conditions_CVPRW_2022_paper.pdfAbstract 目标检测是指有效地找出图像中感兴趣的目标，然后准确地确定它们的类别和位置。近年来，许多优秀的方法被开发出来，以提供强大的检测能力。然而，在恶劣天气如烟熏条件下，它们的性能可能会显著降低。在这篇论文基于对比下学习提出了一个鲁棒的烟雾图像目标检测算法
个人阅读笔记，如有错误欢迎指出!会议：NDSS2022 [2009.03561]LocalandCentralDifferentialPrivacyforRobustnessandPrivacyinFederatedLearning(arxiv.org)问题： 尽管联邦学习能在一定程度上保护数据隐私，但也存在隐私和鲁棒性漏洞主要贡献： 首次发现LDP和CDP都可以抵御后门攻击 发现仅在FL的非攻击者上应用LDP可以提高后门攻击的准确性 LDP和CDP可以防止（白盒）成员推断 LDP与CDP均不能防御属性推断攻击
原文链接：https://openaccess.thecvf.com/content/WACV2024/html/Wu_A_Robust_Diffusion_Modeling_Framework_for_Radar_Camera_3D_Object_WACV_2024_paper.html1.引言本文使用概率去噪扩散模型的技术，提出完全可微的雷达-相机框架。使用校准矩阵将雷达点云投影到图像上后，在特征编码器和BEV下的Transformer检测解码器中引入信息去噪。在雷达-图像编码器中，首先使用去噪扩散模型（DDM）作用于对齐的雷达特征，然后查询高级语义特征进行特征关联。通过语义特征嵌入，DD
Cross-DroneTransformerNetworkforRobustSingleObjectTracking论文阅读笔记Abstract无人机在各种应用中得到了广泛使用，例如航拍和军事安全，这得益于它们与固定摄像机相比的高机动性和广阔视野。多无人机追踪系统可以通过从不同视角收集互补的视频片段，为目标提供丰富的信息，特别是当目标在某些视角中被遮挡或消失时。然而，在多无人机视觉追踪中处理跨无人机信息交互和多无人机信息融合是具有挑战性的。最近，Transformer在自动建模视觉追踪的模板和搜索区域之间的相关性方面显示出显著的优势。为了利用其在多无人机追踪中的潜力，我们提出了一种新型的跨无人
文章目录1概述1.1要点1.2代码1.3引用2方法2.1问题定义2.2基于GAN的AF攻击2.3用于开集CAF的双GAN策略2.4方法架构2.4.1CAF-GAN2.4.2多示例三元网络2.4.3分类模型2.4.4使用CAF作为surrogate的迁移更新1概述1.1要点题目：用于防御数字图像中对抗攻击的稳健开集多示例学习(Arobustopen-setmulti-instancelearningfordefendingadversarialattacksindigitalimage)背景：数字图像取证在多媒体取证中应用广泛；已有的取证方法，通过公开操作指纹来确定数字图像的完整性；针对操纵图像
这是发表在2022IEEETRANSACTIONSONINFORMATIONFORENSICSANDSECURITY（TIFS）上的一篇文章目录abstract主要贡献II.RELATEDWORKB.Blockchain-BasedFederatedLearningIII.PRELIMINARIESA.FederatedLearningB.PoisoningAttacksCheon-Kim-Kim-Song（AFHEsheme）智能合约IV.PROBLEMFORMULATIONB.问题定义C.威胁模型D.设计目标方案设计B.ConstructionofPBFL本地计算归一化判断模型聚合max函
DocTamper: https://github.com/qcf-568/DocTamper Introduction文件图像是现代社会最重要的信息传播媒介之一，它包含了大量的敏感和隐私信息，如电话号码。随着图像编辑技术的快速发展，这种敏感的文本信息更容易被恶意篡改，构成欺诈等，造成严重的信息安全风险[33,42,48,50]。因此，检测文档图像中的篡改已成为近年来重要的研究课题[18,47]。开发有效的方法来检查文档图像是否被修改，同时确定篡改文本的确切位置是至关重要的。大多数文档图像中的文本篡改方法大致可以分为三种类型:(1)拼接，将一个图像中的区域复制并粘贴到其他图像中;(2)Copy
基于MECE原则，我们给出以下四个分类标准：1、数据表示。数据表示是指3D点云数据如何在神经网络中表示。三种主要的数据表示类型是体素、点和图。体素化：在体素化表示中，3D点云被离散成一个体素网格，每个体素由一个特征向量表示。这种表示通常用于需要全局上下文的任务，例如分割和形状分析。点：在点表示中，每个3D点由一个特征向量表示，点之间的关系编码在神经网络架构中。这种表示通常用于需要局部上下文的任务，例如分类和识别。图：在图表示中，3D点云表示为一个图，其中点是节点
BEVFusion:ASimpleandRobustLiDAR-CameraFusionFrameworkBEVFusion：一个简单而强大的LiDAR-相机融合框架NeurIPS2022多模态传感器融合意味着信息互补、稳定，是自动驾驶感知的重要一环，本文注重工业落地，实际应用融合方案:前融合（数据级融合）指通过空间对齐直接融合不同模态的原始传感器数据。深度融合（特征级融合）指通过级联或者元素相乘在特征空间中融合跨模态数据。后融合（目标级融合）指将各模态模型的预测结果进行融合，做出最终决策。//框架与以前的激光雷达-相机融合方法的比较:a.将图像特征投影到原始点云上的点级融合机制从点出发，从点
虽然没有记录，但使用AndroidBLEapi的传统观点是，某些操作(如读/写特征和描述符)应该一次完成一个(尽管有些设备比其他设备更宽松)。但是，我不清楚该策略是应该仅适用于单个连接，还是适用于所有Activity连接。我听说最好一次启动与一个设备的连接。这可能是应该在所有设备之间串行执行的操作(connect/connectGatt)的示例。但是对于其他操作，比如读取和写入特征，如果每个连接串行执行操作是否足够好，或者我是否需要一些在所有设备之间共享的全局操作队列以便在所有设备之间只执行一个操作？ 最佳答案 在Android上，
