健壮性包 通过安装pip ： pip install robustness 阅读文档： : robustness是我们（在中的）创建的一个软件包，用于灵活，轻松地进行训练，评估和探索神经网络。 我们几乎在我们所有的项目中都使用了它（无论它们是否涉及对抗训练！），并且它将成为我们即将发布的许多代码版本中的依赖项。 使用该库的一些项目包括： （ ） （ ） （ ） （ ） 我们将在一组演练和我们的API参考中演示如何使用该库。 该库提供的功能包括： 使用针对各种数据集/体系结构训练和评估标准模型和健壮模型。 该库还提供添加和。 python -m robustness.main --dataset cifar --data /path/to/cifar \ --adv-train 0 --arch resnet18 --out-dir /logs/check

防恶意软件的对抗性机器学习 呈现在Secuinside 2017 @nababora 介绍实用指南，以开发用于反恶意软件的对抗性机器模型。 我还没有使用强化模型，只是概念验证。

adaptive_attacks_paper “针对对抗性示例防御的自适应攻击”的代码

Radar vulnerability to jamming，针对有意干扰的雷达易扰性分析

采用生成对抗网络（GAN）实现图像去模糊，用于图像的清晰化处理

对抗生成网络学习（十）——attentiveGAN实现影像去雨滴的过程(tensorflow实现)-附件资源

看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统

介绍 torchadver是一个Pytorch工具箱，用于生成对抗性图像。 基本的对抗攻击得以实施。 如 ， ， ， ， 等。 安装 如何使用 简短的攻击过程如下所示。 您可以参考更详细的过程介绍。 通过满足L2范数生成对抗性图像 非目标攻击 from torchadver . attacker . iterative_gradient_attack import FGM_L2 , I_FGM_L2 , MI_FGM_L2 , M_DI_FGM_L2 mean = [ 0.5 , 0.5 , 0.5 ] std = [ 0.5 , 0.5 , 0.5 ] # images normalized by mean and std images , labels = ... model = ... # use mean and std to determine effective rang

生成对抗网络GAN网络的原理，进展，方向。综述的比较详细了

图像矩阵matlab代码阴影深度 这段代码实现了以下方法： 用不适感对抗不适感：阴影产生的单次变化深度超分辨率B. Haefner，Y。Quéau，T。Möllenhoff，D。Cremers； 计算机视觉和模式识别（CVPR），2018年。 聚光灯演示 我们提出了一种原则上的变分方法，用于将单个深度图上采样到RGB-D传感器提供的同伴彩色图像的分辨率。 我们将异构深度和颜色数据结合在一起，以共同解决不适定深度的超分辨率和阴影形状问题。 从低分辨率深度测量中提取消除阴影阴影形状所需的低频几何信息，并且对称地，RGB图像中的高分辨率光度线索提供消除深度超分辨率所需的高频信息。 0. GPU版本 此代码的GPU版本已发布。 1.要求 此代码具有四个第三方依赖项： MATLAB（代码已通过测试，可在MATLAB R2017b下运行） （强制的） （强制的） （强制的） （可选，但强烈建议） 将这四个存储third_party到此存储库的third_party目录中的指定文件夹中，并进行构建。 2.输入 一个超分辨率RGB图像I 一个伴随的低分辨率深度图像z0 。 描述RGB图像中感兴趣对象的