randgen(mu,mu1,mu2,cov1,cov2,cov3) = 在 d 维中随机生成高斯样本，其中 d = 2 mu, mu1, mu2 = (x,y) 坐标（意味着）高斯样本的中心。 cov1、cov2、cov3 是协方差矩阵，会随着分布形状的变化而变化，例如：cov = sigma^2*Identity Matrix，其中 sigma^2 = 标量。 N = 使用并作为用户输入提供的高斯样本数。 还生成了 N/2 的测试集和 N/2 高斯样本的训练集。 输出被定向到命令窗口并生成分布图。 示例 1： randgen([4 5],[9 0;0 9],[10 15],[6 0;0 6],[15 10],[4 0;0 4]) 或 示例2：randgen([4 5],[9, 0; 0 9],[10 15],[5, 1.5; 1, 5.5],[15 10],[6, -1; -1,

数字对抗样本生成 LeNet是一个小型的神经网络结构，仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题，如手写数字识别。本实验要求： (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 首先简要介绍了GAN的原理，通俗易懂 我简要实现了这一部分，并且包括每一部分的数字可视化功能，包括LeNet模型的构建，以及对于LeNet的超参数的调节和一些方法，最后也把模型权重保存下来，不用训练也可以直接用。 在步骤二中，生成针对该网络的对抗样本。做了威胁模型，快速梯度符号攻击，定义扰动上限 epsilons，被攻击的模型，FGSM 攻击方式，测试函数的操作 最后启动攻击，得到对抗结果，最后比较准确性 vs Epsilon，就得到最后的实验结果。 所有的介绍和方法和代码都是可以直接运行的

利用GAN的思想，进行数字对抗样本生成，以LeNet作为图像分类模型，LeNet是一个小型的神经网络结构，仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题，如手写数字识别。 (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 整体包括一下部分 步骤1：用`LeNet网络`完成手写数字识别任务。 LeNet 网络 数据集的下载和预处理 Image displaying pytorch 搭建LeNet LetNet 训练 超参数的设置 训练及测试模型 可视化误差曲线，准确率曲线 结果可视化，查看每一类的准确率 模型的保存与加载 步骤2：生成针对该网络的对抗样本。 威胁模型 快速梯度符号攻击 定义扰动上限 epsilons 被攻击的模型 FGSM 攻击方式 测试函数 启动攻击 对抗结果 准确性 vs Epsilon 样本对抗性示例

本文通过对抗样本生成技术的回顾，从信号层、内容层以及语义层三个层面，白盒攻击与黑盒攻击两个角度，简要介绍了对抗样本生成技术，目的是希望读者能够更好地发现对抗样本的本质，对机器学习模型的健壮性、安全性和可解释性研究有所启发。

自述文件 该存储库是做什么用的？ 它是用于从Von-Mises Fisher和Watson分布生成随机样本的MATLAB代码。 该代码是以下论文中工作的一部分： 陈玉辉等。 “ ”信号处理快报，IEEE 22.8（2015）：1152-1155。 陈玉辉等。 “ ”信息融合国际会议（印刷中，2015年） 安装 该代码是自打包的，因此不需要任何安装。 只需使用MATLAB中的“ addpath”将路径添加到文件夹即可使用这些功能。 每个函数都有自己的测试用例，扩展名为“ _test”。 测试用例显示了如何使用这些功能的简单示例。 生成VMF和Watson随机样本的两个主要函数是： randVMF 兰德·沃森 联络资料 该存储库由密西根大学的Yu-Hui Chen @ 教授小组创建和拥有。 如果您对代码有任何疑问或发现任何错误，请通过以下方式与我联系： 可以在我们实验室的上找到

对抗样本生成入门文献系统整理

基于GAN网络的煤岩图像样本生成方法.pdf

用于生成机器学习正样本的标注工具，内含使用说明和图片格式批量转换工具（bat文件）

这个小工具用于在裁剪图像部分区域时记录坐标。相信用AdaBoost算法进行人脸检测的同志们一定对于一开始收集、裁剪物体样本的过程记忆犹新，那是一个纯体力活儿。有了这个小工具，可以极大的加快进程。不搞目标识别的同志们也可以来试试，很好玩的！用鼠标在图上圈定区域，按空格可记录坐标，按回车处理下一图。