Just for Life.

MART(Misclassification Aware adveRsarial Training) 是 2020 年提出的最好的对抗防御算法。传统对抗训练算法中 min-max 时不会考虑当前样本是否被正确分类，统一制作对抗样本。而作者抓住了这一点，发现对于 max 制作对抗样本期间没有被网络正确分类的样本，对结果的影响很大。换句话说，网络连干净样本都不认识，何谈认识它的对抗样本？ MART 算法的创新点在于区别对待错分类和正确分类的样本。

和指针联用有佷微妙的地方，之前一直佷晕，现在来继续研究下。诸如以下：

1
2
3
4
5
6

int const;
const int;
const int* p;
int const* p;
int* const p;
const int* const p;

之前在学 C++ 的时候，第一个例子大概是：

1
2
3
4
5
6
7
8
9
10
11
12

#include <iostream>
using namespace std;
int main(){
    cout << "hello world" << endl; 
    return 0;
}
// 或者
#include <iostream>
int main(){
    std::cout << "hello world" << std::endl; 
    return 0;
}

当时也没多想，std 这个东西是什么。后来在接触了其它库后，发现也需要 std 的配合使用，如 std::sort()。今日来仔细研究下名称空间这个东西。

不能继续开坑了，得整理一下。最近在刷二分法，思路很简单，细节是魔鬼。时而减一时而不用，仿佛在面向玄学编程，所以特意来整理一下。本文参考。

在对抗攻击中，有人尝试着去用对抗样本攻击目标检测的网络。但是，检测网络与分类网络不同，检测网络还有检测器，存在 RPN、ROI-Align 以及边界框回归器等。而分类接受的图像来自检测器的输出，并不是原始的输入。所以只在图片上产生细微的扰动很可能不起做作用 ¹。所以衍生出了一些基于 patch （补丁）的攻击。

论文好像是 2020 年底传到 arxiv ¹ 的，还比较新。正好最近遇到的问题是类别数量是长尾分布，恰好最近看到 mmdetection 也支持了这个损失函数，索性来看一看这篇论文，算是做个论文笔记吧。不过为了能更容易理解论文的思想，没有按照原论文的内容结构进行整理。

之前了解到，可变形卷积 DCN（Deformable Convolutional Networks）是上分常用小技巧，所以把论文找来读了一下，V1 和 V2 两个版本都读了一下，个人感觉以及他人复现的结果显示 ¹ ，V1写的很好且够用，V2 写的实在是晕头转向。感觉还挺有创意，后期准备复现后，以后可能会用到。