计算机视觉Github开源论文

模块化机械手云台关节的二阶滑模控制

评估人脑白质测量法的可靠性

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。

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

Enhancing Robustness of the Inverted PBI Scalarizing Method in MOEA/D

混合动力系统建模的稳定性和鲁棒性-hybrid dynamical systems modeling stability and robustness.pdf

This book presents a comprehensive overview of the recently developed L1 adaptive control theory, including detailed proofs of the main results. The key feature of the L1 adaptive control theory is the decoupling of adaptation from robustness.