亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目： 對抗機器學習與對抗視覺

報告人： 韓亞洪 教授 天津大學

摘要： 隨著深度學習方法的廣泛應用，深度神經網絡的脆弱性和抗攻擊能力、以及由此帶來的模型魯棒性和安全性開始引起關注。對抗機器學習通過構建對抗樣本來探測機器學習方法的脆弱性，即機器學習模型是否真正學習到了正確性概念，以及該模型在何種情況下失效。本報告介紹對抗機器學習的基本理論、方法和分類、對抗機器學習與人工智能安全、深度神經網絡黑盒對抗攻擊的最新模型和方法，并對其在對抗視覺上的應用進行討論。

摘要： 雨水會產生不良的視覺偽影，從而嚴重影響可視性，并導致許多計算機視覺系統（例如自動駕駛汽車，監視系統，自動駕駛無人機等）崩潰。雨水會以雨滴，雨水積聚/遮蓋效果（在視覺上類似于霧或霧）以及附著在相機鏡頭或汽車擋風玻璃上的雨滴的形式引入人工制品。在本教程中，我們打算討論如何恢復由于這些雨水偽影及其復合問題而導致的降級背景信息，從而增強場景的可見性。為了處理雨水條紋和雨水積聚，我們將簡要討論傳統的非深度學習方法的演變，并將更多地關注于最新的深度學習方法的工作原理。目前，大多數基于深度學習的方法都是在監督下進行訓練的，并提供了真實情況數據。但是，獲得真實的地面真實數據非常困難。因此，現有方法依賴于呈現的合成數據。這種方法的問題在于，在降級復雜性，背景變化，光照變化等方面，合成數據與真實數據存在顯著差異。因此，為了能夠正確解決降雨條紋和降雨積聚的問題，我們需要超越綜合訓練。除了雨水條和雨水積聚之外，附著在玻璃窗或相機鏡頭上的雨滴還會嚴重妨礙背景場景的可見性并嚴重降低圖像質量。已經提出了一些非深度學習方法來處理附著的雨滴，但是結果不足。這個問題是棘手的，因為首先沒有給出被雨滴遮擋的區域。第二，關于被遮擋區域的背景場景的信息在很大程度上被完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。有關被遮擋區域背景場景的信息在很大程度上已完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。有關被遮擋區域背景場景的信息在很大程度上已完全丟失。為了解決該問題，現有技術方法使用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。現有技術方法利用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。現有技術方法利用對抗訓練來應用細心的生成網絡。主要思想是將視覺注意力注入到生成網絡和判別網絡中。在訓練期間，視覺注意力會了解雨滴區域及其周圍環境。因此，通過注入此信息，生成網絡將更加關注雨滴區域和周圍的結構，而判別網絡將能夠評估恢復區域的局部一致性。

個人簡介： Robby T. Tan是新加坡國立大學副教授，也是國大電氣與計算機工程系的副教授。來新加坡之前，他曾是荷蘭烏得勒支大學的助理教授，倫敦帝國學院的研究助理以及NICTA /澳大利亞國立大學的研究科學家。他在日本東京大學獲得了計算機科學博士學位。他與ACCV 2014一起組織了有關圖像恢復和增強的新興主題（IREw）研討會，并與CVPR 2019一起組織了“全季節視野：惡劣天氣和夜間”研討會。他曾擔任ACCV 2010和ACCV 2018區域主席。他還擔任ECCV 2016的出版物主席，并定期擔任CVPR / ICCV / ECCV的程序委員會成員。他在CVPR 2008中進行的除霧工作被認為是單圖像除霧文學的開創性工作。他的研究重點在惡劣的天氣/夜間和基于物理的視覺領域。

作者Tinghui Zhou，加州大學伯克利分校的博士生，擁有強大的學術背景，是CVPR2017年Image-to-Image Translation with Conditional Adversarial Networks（使用條件Gan經行圖像的轉換）的作者之一，現在Google學術引用已經1600多了。他的博士論文——元監督視覺學習（Visual Learning Beyond Direct Supervision），主要是針對當前深度學習在解決許多計算機視覺任務方面取得了很大進展，但對于難以或不可能獲得標簽的任務，進展卻有限，這一問題展開，研究如何在不需要任何直接標簽的情況下，仍然利用深度學習的計算能力，使用可選的監督信息來學習視覺任務。作者在文中闡述直觀上，雖然不知道ground-truth是什么，但我們可能知道它應該滿足的各種屬性，關鍵思想是將這些屬性形式為學習目標任務的目標函數。并且也表明這類“元監督”，在學習各種視覺任務時竟然是非常有效的。感興趣的同學可以仔細品味這一系統性的博士論文和其代表性工作。