个人阅读笔记，如有错误欢迎指出！会议：Usenix2020 [1911.11815]LocalModelPoisoningAttackstoByzantine-RobustFederatedLearning(arxiv.org)问题： 模型攻击对拜占庭鲁棒性联邦学习的攻击效果尚未清楚创新点： 1、基于不同防御方法，设计了具有针对性的模型攻击方式 2、概括了基于错误率以及基于损失函数的防御方法，测试了两种防御方法的效果。方法： 攻击场景：trainingphase中对基于本地训练数据的模型在训练过程中进行攻击 攻击者的要求：控
记录一下Lama模型的训练、infe踩坑，以及如何更改预设的mask生成方式。一、环境简单提一下，一定要按照作者给的requirements.txt里的库版本安装，hydra-core和pytorch-lightning最新版本在此项目代码上均会报错无法运行。二、预训练模型微调lama的训练全部是以配置文件.yaml的方式进行的，所以针对不同数据集的预训练模型所使用的yaml也是不同的。总体上作者是在PLACES和CelebA上进行了预训练，同时也包含了Big-Lama、Lama-fourier等多种模型细节的配置。就以在Places-Challenge效果最好的Big-Lama为例，在预训练
我正在开发应用程序来跟踪培养皿(或其他圆形容器)中的小动物。在进行任何跟踪之前，前几帧用于定义区域。每道菜都会匹配一个圆形独立静态区域(即在跟踪期间不会更新)。用户可以请求程序尝试从原始图像中查找菜肴并将其用作区域。以下是示例:为了执行这个任务，我使用霍夫圆变换。但实际上，不同的用户会有非常不同的设置和图像，我不想让用户手动定义参数。我也不能只猜测所有参数。但是，我还有一些我想使用的其他信息:我知道要检测的圆圈的确切数量。所有圆圈的尺寸几乎相同。圆圈不能重叠。我对圆圈的最小和最大尺寸有一个粗略的了解。圆圈必须完全在图片中。因此，我可以将要定义的参数数量缩小到一个:阈值。使用这些信息并考
我正在开发应用程序来跟踪培养皿(或其他圆形容器)中的小动物。在进行任何跟踪之前，前几帧用于定义区域。每道菜都会匹配一个圆形独立静态区域(即在跟踪期间不会更新)。用户可以请求程序尝试从原始图像中查找菜肴并将其用作区域。以下是示例:为了执行这个任务，我使用霍夫圆变换。但实际上，不同的用户会有非常不同的设置和图像，我不想让用户手动定义参数。我也不能只猜测所有参数。但是，我还有一些我想使用的其他信息:我知道要检测的圆圈的确切数量。所有圆圈的尺寸几乎相同。圆圈不能重叠。我对圆圈的最小和最大尺寸有一个粗略的了解。圆圈必须完全在图片中。因此，我可以将要定义的参数数量缩小到一个:阈值。使用这些信息并考
这篇文章是今年6月底发布的一篇多目标跟踪(MOT)的屠榜方法，命名为BoT-SORT。作者来自以色列的特拉维夫大学（Tel-AvivUniversity）。本文简单谈谈我对这个算法的理解，因为也是MOT领域的初学者，如有错误希望各位读者修正，也欢迎大家一起探讨。PS：文章内部分图片是原创，如需转载请注明出处。paper:https://arxiv.org/abs/2206.14651code:https://github.com/NirAharon/BOT-SORT算法在IDF1和MOTA两个指标上都做到了SOTA：在MOT的诸多算法中，可以将其分成两类——即TBD（TrackingbyDet
鲁棒性，英文为Robustness（承受故障和干扰的能力），是许多复杂系统（包括复杂网络）的关键属性。复杂网络的鲁棒性研究对许多领域都非常重要。本文着重介绍了鲁棒性的基本定义、命名起源、分类区别、提升方法和具体应用，供大家学习参考。1.鲁棒性的基本定义鲁棒性（英语：Robustness）,鲁棒是Robust的音译，“robust”有四个含义：1.“强健的；强壮的”“结实的；耐用的；坚固的”“（体制或机构）强劲的；富有活力的”“坚定的；信心十足的”。百度百科对鲁棒性的定义是：鲁棒是Robust的音译，也就是健壮和强壮的意思。它也是在异常和危险情况下系统生存的能力。比如说，计算机软件在输入错误、磁
文章目录前言一、基本原理Retinex理论y=zⓧx单尺度Retinex算法（SSR）二、论文内容1.网络结构IlluminationEastimationSelf-CalibratedModule：作用使每个阶段的结果收敛到同一状态。2.损失函数保真度损失平滑损失3.讨论Operation-InsensitiveAdaptability（操作不敏感适应性，即在不同的简单操作设置下获得稳定的性能）Model-IrrelevantGenerality（模型不相关通用性，即可以应用于基于光照的现有著作以提高性能）二、模型代码（官方代码）总结SCI开辟了一个新的视角：即在训练阶段引入辅助过程来增强基
原文链接：https://arxiv.org/abs/2304.006701.引言 本文提出两阶段融合方法CRN，能使用相机和雷达生成语义丰富且位置精确的BEV特征。具体来说，首先将图像透视特征转换到BEV下，该步骤依赖雷达，称为雷达辅助的视图变换（RVT）。由于转换得到的BEV特征并非完全精确，接下来的多模态特征聚合（MFA）层使用注意力机制将BEV特征编码为统一的特征图。 CRN有如下3个特点：精确。仅使用低成本的相机和雷达，就能达到和激光雷达相当的检测性能。鲁棒。即使在一个模态完全失效的情况下，CRN也有鲁棒的性能。高效。使用很小的额外计算成本，就能显著提高性能，有利于实时且长距离的
如果我们天真地计算均值:std::vectorvalues;doublesum=std::accumulate(begin(values),end(values),0.0);doublemean=sum/values.size();和values.size()很大，我们可能会得到不准确的结果，因为float在较高范围内分辨率较低。或者更糟，如果我理解正确，我们可以获得无限的结果。当我们有一个偶数的值时，我们可以计算前半部分的平均值，然后计算后半部分的平均值，然后找到这两个平均值的平均值。这似乎不是一个新问题，但我很难找到资源。我认为有更复杂的技术在中权衡稳健性计算复杂度实现难度我想知道
Privacy-PreservingByzantine-RobustFederatedLearningviaBlockchainSystems可译为“利用区块链实现隐私保护的拜占庭鲁棒性联邦学习”这篇是今年八月份被TIFS2022（CCFA）收录的文章，写的利用全同态加密和区块链技术解决联邦学习中隐私问题和可信问题（虽然区块链仅仅只是存储的作用，也稍微提了一下）。精读完这篇文章，整体感觉还不错，毕竟是CCFA类期刊。下面是自己读后感，根据自己的语言来做了一些笔记，也相当于回顾。其中，有理解不到位的地方望指正，建议读者还是看原文。原文链接：Privacy-PreservingByzantine-
