我在阅读论文《Feature Denoising for Improving Adversarial Robustness》的时候，对论文做了标注，其中加入了一些论文中提到的知识概念的补充，也包括我个人对论文中某一部分的理解。

Pytorch实战4：(win10 +ubuntu)对抗语义分割源码调试《Adversarial Learning for Semi-supervised Semantic Segmentation》-附件资源

用于Pytorch的简单StyleGan2 基于的Stylegan2的简单Pytorch实现，可以从命令行进行完全培训，无需编码。 下面是一些不存在的花。 这些手也不 这些城市也没有 这些名人也没有（由训练） 安装 您将需要一台装有GPU和CUDA的计算机。 然后pip这样安装软件包 $ pip install stylegan2_pytorch 如果您使用的是Windows计算机，则可以使用以下命令。 $ conda install pytorch torchvision -c python $ pip install stylegan2_pytorch 利用 $ styleg

Explaining and Harnessing Adversarial Examples.zip

数据几何在对抗机器学习中的作用

基于对抗攻击（Adversarial Attack）相关的接受paper不少，这几年比如 对抗攻击、基于图数据的对抗攻击、NLP、CV上的攻击防御等等一些列前沿的方法和应用受到了很多人的关注，也是当前比较火的topic。

自动攻击 “可靠的评估对抗性鲁棒性与各种无参数攻击相结合” 弗朗切斯科·克鲁斯（ Francesco Croce）和马蒂亚斯·海因（ Matthias Hein） ICML 2020 我们建议使用四种不同攻击的组合来可靠地评估鲁棒性： APGD-CE ，这是我们在交叉熵方面的新的无步长PGD版本， APGD-DLR ，我们在新的DLR损失上推出的新的无步长PGD PGD版本， FAB ，将对抗性扰动的规范降到最低 ， Square Attack ，一种查询效率高的黑盒攻击 。 注意：我们修复了攻击的所有超参数，因此不需要调整就可以测试每个新的分类器。 消息 [2020年10月] AutoAttack在新的基准测试用作标准评估，该基准包含最强大分类器的！ 请注意，此页面和RobustBench的排行榜是同时维护的。 [2020年8月] 更新的版本：为了i）将AutoAtta

本文详细介绍了如何攻破已经发表的10种对抗样本防御方法。

两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。Google Brain 研究科学家Ian Goodfellow在会上作为主题为《生成对抗网络(Generative Adversarial Networks)》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。

2019 review and taxonomy on adversarial examples and defenses