摘要：
2022 sti2 比赛复盘总结 前期进行了PaddleInference的配置探索，后期经过了Paddleslim的transformer裁剪+蒸馏的策略上分。 侥幸进入了决赛，感觉还是偏运气，感觉自己在比赛技术上还是没有太多长进。 比赛中遇到的问题 每次提交需要清楚地记录，提交的配置是什么，对应 阅读全文
摘要：
计算机视觉领域的物理对抗攻防综述 Physically Adversarial Attacks and Defenses in Computer Vision: A Survey http://arxiv.org/abs/2211.01671 摘要 攻击：主要从攻击任务，攻击形式，攻击方法几个角度进 阅读全文
摘要：
开放数据集的对抗防御 Translator: wildkid1024 论文地址 arXiv:2009.00814 rshaojimmy/ECCV2020-OSAD 0. 摘要 开集训练和对抗防御是真实世界的两大关键问题，开集识别旨在测试阶段识别开集类别的样本，对抗训练旨在防御对抗攻击扰动。 a56爆大奖在线娱乐则发 阅读全文
摘要：
pytorch 将x按阈值条件进行变换/裁剪/映射 0. 场景 在进行深度学习模型裁剪时，一个很显然的需求是将小于某个阈值的值全都设置为0，比如设置成阈值为0.5， 也即x[x<=0.5] = 0 借助mask，很容易实现上述的需求，但推广起来，比如将对应位置设置为对应的fun,也即x[x<=0.5 阅读全文
摘要：
minikube的使用与应用部署 0. 安装minikube minikube是K8s的单机版本，通过minikube可以熟悉k8s的运行机理和工具。 安装十分简单，只需拉取二进制文件，然后放到可执行目录即可： curl -LO https://storage.googleapis.com/mini 阅读全文
摘要：
docker 安装及构建流程 Docker 是一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的 Linux 或 Windows 机器上，也可以实现虚拟化。容器是完全使用沙箱机制，相互之间不会有任何接口。 docker的使用极大地简化了开发部署流程 阅读全文
摘要：
需求 通常a56爆大奖在线娱乐们在docker中拉取的镜像都是在docker hub在线存储库中获取的，这个在线存储库里的docker镜像可以由任何用户发布和使用。显然，这在某些场景下是不适用的，比如企业级别的隐私项目，又或者是公司完全处于内网状态不能访问外网，再或者是想个性化定制某些配置等等，这时就需要用到私有存储 阅读全文
摘要：
introduction Szegedy[22] 首先发现了深度学习在图像识别的脆弱性，微小的扰动会导致模型分类错误。 第一篇全面的对抗攻击综述 DEFINITIONS OF TERMS Adversarial example/image：修改后的image Adversarial perturba 阅读全文
摘要：
需求 写py程序时候总是碰到下面这种场景,动态生成对象或者函数: >>> def foo(): print "foo" >>> def bar(): print "bar" >>> func_list = ["foo","bar"] >>> for func in func_list: func() 阅读全文
摘要：
数据增强的库 pytorch自带 imgaug https://github.com/aleju/imgaug 数据增强(旋转、翻转、加噪声、加对比度、亮度) (更多操作，也可以加天气效果，推荐) 它可以实现的效果包括添加噪音、仿射变换、裁剪、翻转、旋转等，其效果图如下所示： Augmentor 简 阅读全文