借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

使用FGSM进行快速对抗训练 使用FGSM对手实施快速对抗训练代码的存储库，能够在6分钟内训练强大的CIFAR10分类器，并在12小时内训练强大的ImageNet分类器。 由 ， 和。 请参阅我们的arXiv上的论文，这是由自由对抗训练纸灵感通过Shafahi等。 （2019）。 消息 12/19/2019-ICLR 2020接受 1/14/2019-arXiv发布并发布存储库 该存储库中有什么？ 带有针对MNIST，CIFAR10和ImageNet的随机初始化的FGSM对抗训练方法的实现 使用库进行和混合精度训练，以实现类似DAWNBench的加速 使用此代码库的预训练模型 ImageNet代码大部分是从派生的，并进行了相应的修改，以进行快速FGSM对抗训练 安装及使用 所有示例都可以在不使用PyTorch v1.0或更高版本进行混合精度的情况下运行 要使用混合精度培训，请按照的顶点安

对峙 对面部识别进行物理对抗攻击的步骤 在应用蒙版之后，将左侧的输入图像检测为右侧的目标图像。 安装 创建一个虚拟环境 conda create -n facial pip 克隆仓库 git clone https://github.com/392781/Face-Off.git 安装所需的库 pip install -r requirements.txt 导入和使用！ from adversarial_face_recognition import * ` 有关培训说明，请查看以开始少于30行。 用法 该库的目的是再次制造对抗攻击，再用FaceNet人脸识别器。 这是初步的工作，目的是使用一个可以戴在脸上的面具来产生更强壮的物理攻击。 当前管道由对齐的输入图像和计算出的蒙版组成。 然后使用dlib定向梯度检测器直方图将其输入到面部检测器中，以测试是否仍检测到面部。 然后将其传

针对位置优化的对抗补丁进行对抗训练 | | | | 论文代码： Sukrut Rao，David Stutz，Bernt Schiele。 （2020）针对位置优化的对抗补丁的对抗训练。 在：Bartoli A.，Fusiello A.（编辑）《计算机视觉– ECCV 2020研讨会》中。 ECCV2020。《计算机科学讲义》，第12539卷。ChamSpringer。 设置 要求 Python 3.7或更高版本 火炬 科学的 h5py scikit图像 scikit学习 可选要求 使用脚本将数据转换为HDF5格式 火炬视觉 枕头 大熊猫 使用Tensorboard日志记录 张量板 除了Python和PyTorch，所有要求都可以使用pip直接安装： $ pip install -r requirements.txt 设定路径 在 ，设置以下变量： BASE_DATA ：数据

TF2中的对抗性攻击和防御库 我们提供了一个轻量级且对初学者友好的库，用于： 训练简单的图像分类器。 生成对抗性示例-扰动神经网络的输入会导致错误的输出。 通过防御这些攻击来构建更强大的分类器。 该库是检查代码和亲自尝试对抗示例的简单起点。 要更全面地了解本领域的最新技术，我们建议您查看 。 支持的数据集： 支持的攻击： 支持的防御： 安装 首先，将此存储库克隆到本地计算机上。 git clone https://github.com/summer-yue/adversarial_examples_tf2.git 使用setup.py文件导航到该目录，然后安装运行我们的代码所需的软件包。 pip install -e . 请注意，该库在及更高版本上运行。 开始使用 尝试在adversarial_examples_tf2 / experiments中运行我们的简单示例。 建立

我的代码首先受到启发 https://github.com/CuthbertCai/pytorch_DANN 神经网络领域专家训练 https://arxiv.org/pdf/1505.07818.pdf implement Domain-Adversarial Training of Neural Networks by pytorch 数据集 mnist mnist_m 从下载 结果 原始纸 我的实施 仅来源 0.52 0.5 丹恩 0.766 0.82〜0.83 去做 尝试更好地调整玩具示例 使用较少的参数来训练模型

用于表格数据的GAN 我们深知GAN在现实图像生成方面的成功。 但是，它们可以应用于表格数据生成。 我们将回顾和研究有关表格式GAN的最新论文。 Arxiv文章： 中等职位： 如何使用图书馆 安装： pip install tabgan 要生成新数据以通过采样进行训练，然后通过对抗性训练进行过滤，请调用GANGenerator().generate_data_pipe ： from tabgan . sampler import OriginalGenerator , GANGenerator import pandas as pd import numpy as np # random input data train = pd . DataFrame ( np . random . randint ( - 10 , 150 , size = ( 50 , 4 )), col

从开源项目 网站： ： 文档： : 仓库： : 执照： 发展状况： 概述 CTGAN是用于单个表数据的基于深度学习的合成数据生成器的集合，这些数据生成器能够从真实数据中学习并生成高保真度的合成克隆。 当前，该库论文实现在提出的CTGAN和TVAE模型。 有关这些型号的更多信息，请查阅相应的用户指南： 。 。 安装 要求 CTGAN已在 3.6、3.7上进行开发和测试 从PyPI安装 推荐的安装CTGAN的方法是使用 ： pip install ctgan 这将从提取并安装最新的稳定版本。 用conda安装 CTGAN也可以使用安装： conda install -c sdv-dev -c pytorch -c conda-forge ctgan 这将从提取并安装最新的稳定版本。 使用范例 :warning_selector: 警告：如果您只是开始使用综合数据，我们建议您使用SDV库，该库提供

seqGAN PyTorch实现的“ SeqGAN：具有策略梯度的序列生成对抗网络”。 （于兰涛等）。 该代码经过高度简化，注释和（希望）易于理解。 实施的策略梯度也比原始工作（ ）简单得多，并且不涉及推广-整个句子使用单一奖励（受的示例启发） ）。 使用的体系结构与原始工作中的体系结构不同。 具体而言，将循环双向GRU网络用作鉴别器。 该代码按论文中所述对合成数据进行实验。 我们鼓励您对代码作为问题的工作方式提出任何疑问。 要运行代码： python main.py main.py应该是您进入代码的入口。 技巧与观察 在这种情况下，以下黑客（从借来）似乎有效： 培训鉴别器

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）