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-
前言这一篇博客应该是我花时间最多的一次了，从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv：https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题，特别是语法与用词问题在github上，我也上传了完整的项目：https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集，也是后台私信我最多的，也是我想完成的。下面是我在知乎、B站的同步内容：知乎：https://zhuanla
前言这一篇博客应该是我花时间最多的一次了，从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv：https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题，特别是语法与用词问题在github上，我也上传了完整的项目：https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集，也是后台私信我最多的，也是我想完成的。下面是我在知乎、B站的同步内容：知乎：https://zhuanla
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
ECCV2022_P2BNet论文阅读文章目录ECCV2022_P2BNet论文阅读0Abstract**0-1MIL:multipleinstancelearning(多示例学习)**1Introduction**1-0WSOD：weaklysupervisedobjectdetection（弱监督对象检测）**2Contributions**2-0P2BNet****2-1Acoarse-to-finefashion****2-2Performance**3Point-to-BoxNetwork**3-0Architecture****3-1Loss**3-1-0thelossofP2BN
ECCV2022_P2BNet论文阅读文章目录ECCV2022_P2BNet论文阅读0Abstract**0-1MIL:multipleinstancelearning(多示例学习)**1Introduction**1-0WSOD：weaklysupervisedobjectdetection（弱监督对象检测）**2Contributions**2-0P2BNet****2-1Acoarse-to-finefashion****2-2Performance**3Point-to-BoxNetwork**3-0Architecture****3-1Loss**3-1-0thelossofP2BN
目录项目场景：问题描述原因分析：解决方案： 项目场景：arm开发板的linux根文件系统由烧录而得，从板子的mmc中读取根文件系统，但是如果在开发调试过程中，这个文件系统有修改，怎样将其保存下来，方便烧录到其他批量生产的板子上呢。将板载根文件系统导出，生成ext4格式的文件，这自然是个方法！但是此法繁杂，不实用。正点原子的开发板是这样做的，用nfs挂载虚拟机ubuntu中的根文件系统。问题描述我在虚拟机ubuntun搭建了nfs服务器（见博客Ubuntu上搭建nfs服务器，方便开发板远程挂载根文件系统_汉尼拔勇闯天涯的博客-CSDN博客），在开发板的uboot内设置了bootargs（sete
目录项目场景：问题描述原因分析：解决方案： 项目场景：arm开发板的linux根文件系统由烧录而得，从板子的mmc中读取根文件系统，但是如果在开发调试过程中，这个文件系统有修改，怎样将其保存下来，方便烧录到其他批量生产的板子上呢。将板载根文件系统导出，生成ext4格式的文件，这自然是个方法！但是此法繁杂，不实用。正点原子的开发板是这样做的，用nfs挂载虚拟机ubuntu中的根文件系统。问题描述我在虚拟机ubuntun搭建了nfs服务器（见博客Ubuntu上搭建nfs服务器，方便开发板远程挂载根文件系统_汉尼拔勇闯天涯的博客-CSDN博客），在开发板的uboot内设置了bootargs（sete
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：
