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-
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-
(1)当前面临的问题是什么以及原因？虽然sensorfusion在该领域越来越受欢迎，但是对劣质图像(inferiorimage)条件鲁棒性不好，（例如照明不佳和传感器未对准），现有的融合方法很容易受到这些条件的影响，主要是由于calibrationmatrices建立的LiDARpoints和imagepixels的硬关联(hardassociation)。注 ：calibrationmatrices标定矩阵：用于校准相机和LiDAR硬关联(hardassociation）机制是指利用标定矩阵来建立LiDAR点和image像素的关联(2)作者提出的解决问题的方法作者提出TransFusion
(1)当前面临的问题是什么以及原因？虽然sensorfusion在该领域越来越受欢迎，但是对劣质图像(inferiorimage)条件鲁棒性不好，（例如照明不佳和传感器未对准），现有的融合方法很容易受到这些条件的影响，主要是由于calibrationmatrices建立的LiDARpoints和imagepixels的硬关联(hardassociation)。注 ：calibrationmatrices标定矩阵：用于校准相机和LiDAR硬关联(hardassociation）机制是指利用标定矩阵来建立LiDAR点和image像素的关联(2)作者提出的解决问题的方法作者提出TransFusion
对抗攻击的防御模型显著增长，但缺乏实用的评估方法阻碍了进展。评估可以定义为：在给定迭代次数和测试数据集的情况下寻找防御模型的鲁棒性下限。一种使用的评估方法应该是方便的（即无参数的）、高效的（更少的迭代）、可靠的（接近稳健性的下限），针对这个目标，我们提出了一种无参数自适应自动攻击（）。自适应自动攻击由自适应方向初始化（ADI）和在线统计丢弃策略（OSD）组成。ADI策略可以加快评估速度，DSD可以自动识别和丢弃难以攻击的图像。方法：预先知识：c-class分类器f，模型预测被计算为：本文主要考虑无目标攻击，约束优化问题定义为： PGD在迭代t次时的梯度为： 起点:PGD通过迭代生成对抗样本：
对抗攻击的防御模型显著增长，但缺乏实用的评估方法阻碍了进展。评估可以定义为：在给定迭代次数和测试数据集的情况下寻找防御模型的鲁棒性下限。一种使用的评估方法应该是方便的（即无参数的）、高效的（更少的迭代）、可靠的（接近稳健性的下限），针对这个目标，我们提出了一种无参数自适应自动攻击（）。自适应自动攻击由自适应方向初始化（ADI）和在线统计丢弃策略（OSD）组成。ADI策略可以加快评估速度，DSD可以自动识别和丢弃难以攻击的图像。方法：预先知识：c-class分类器f，模型预测被计算为：本文主要考虑无目标攻击，约束优化问题定义为： PGD在迭代t次时的梯度为： 起点:PGD通过迭代生成对抗样本：
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
Abstract1、提供了协作学习的系统概述2、简要介绍了完整性和隐私攻击3、详细介绍了现有的完整性和隐私攻击及其防御Introduction举例：医学图像分类、移动键盘预测协作学习：允许两个或多个参与者协作训练共享的全局DL模型，同时他们的训练数据集保留在本地。每个参与者用自己的训练数据训练共享模型，并与其它参与者交换和更新模型参数。模型完整性威胁：只有一个攻击者也可以破坏模型完整性隐私性：尽管不共享原始训练样本，但共享的更新是由样本生成的，间接泄露了训练数据集的信息。在训练过程中，可以从共享的梯度中捕获成员关系和无意的特征泄露。甚至可以从相应的更新中重构训练样本。为了实现拜占庭容错协作学习
