基于采样和加权损失函数的模型窃取攻击方法

模型窃取攻击旨在获得一个和目标受害模型功能相似的替代模型.现有的方法主要采用数据生成或数据选择方法和交叉熵损失函数去获得一个较好的攻击效果.据此,本文着重研究了攻击过程中这两个极为重要的模块:数据采样和损失函数.同时,本文提出了一个新颖的模型窃取攻击方法S&W,其包含了一种新的采样策略和一个精心设计的加权损失函数.首先,新的采样策略更加关注于从受害者模型中获得更多信息的重要样本.与此同时,本文通过引入k-Center算法达到选择样本的多样性的目的.其次,受到经典Focal损失函数的启发,本文设计了一种新的加权损失函数.该损失函数主要关注于受害者模型和替代模型对于相同输入所给出的输出之间的差异,从而促使替代模型模拟受害者模型.在4个常用的数据集上,我们通过实验证明了本文提出的方法的有效性.相比于之前最好的方法,本文方法最高有5.03%的性能提升.     

A Customized Framework to Recompress Massive Internet Images

Recently,device storage capacity and transmission bandwidth requirements are facing a heavy burden on account of massive internet images.Generally,to improve user experience and save costs as much as possible,a lot of internet applications always focus on how to achieve appropriate image recompression.In this paper,we propose a novel framework to efficiently customize image recompression according to a variety of applications.First of all,we evaluate the input image’s compression level and predict an initial compression level which is very close to the final output of our system using a prior learnt from massive images.Then,we iteratively recompress the input image to different levels and measure the perceptual similarity between the input image and the new result by a block-based coding quality method.According to the output of the quality assessment method,we can update the target compression level,or switch to the subjective evaluation,or return the final recompression result in our system pipeline control.We organize subjective evaluations based on different applications and obtain corresponding assessment report.At last,based on the assessment report,we set up a series of appropriate parameters for customizing image recompression.Moreover,our new framework has been successfully applied to many commercial applications,such as web portals,e-commerce,online game,and so on.     

中国书法元素在标志设计中的创新运用

标志设计与书法艺术元素二者同根同源,都是由人类早期创造出的最原始符号内容。篆书、行书、篆刻等书法形式均可被运用到标志设计中,但在运用过程中需要遵循一定的规则。书法艺术应用到设计中,不但可以提升生活的艺术感,还可以弘扬传统文化。     

双标签监督的几何约束对抗训练

近年来的研究表明,对抗训练是一种有效的防御对抗样本攻击的方法.然而,现有的对抗训练策略在提升模型鲁棒性的同时会造成模型的泛化能力下降.现阶段主流的对抗训练方法通常都是独立地处理每个训练样本,而忽略了样本之间的关系,这使得模型无法充分挖掘样本间的几何关系来学习更鲁棒的模型,以便更好地防御对抗攻击.因此,重点研究如何在对抗训练过程中保持样本间的几何结构稳定性,达到提升模型鲁棒性的目的.具体而言,在对抗训练中,设计了一种新的几何结构约束方法,其目的是保持自然样本与对抗样本的特征空间分布一致性.此外,提出了一种基于双标签的监督学习方法,该方法同时采用自然样本和对抗样本的标签对模型进行联合监督训练.最后,分析了双标签监督学习方法的特性,试图从理论上解释对抗样本的工作机理.多个基准数据集上的实验结果表明:相比于已有方法,该方法有效地提升了模型的鲁棒性且保持了较好的泛化精度.相关代码已经开源:https://github.com/SkyKuang/DGCAT.     

电能量数据采集远方终端的设计与发展

电能计量遥测系统(TMR)对各计量点数据自动采集、存储和处理,为电力市场系统、用电营业系统、EMS、MIS等系统提供准确、可靠的电量数据,为用电管理、电网管理、电力建设、电力调度、设备管理和电网分析提供了科学手段,为电力市场的商业化运作提供强有力的技术支持。电能量数据采集远方终端(ERTU)作为TMR系统的前端设备,它在该系统中的作用是非常重要的。     

深度神经网络压缩与加速综述

深度神经网络在人工智能的应用中,包括计算机视觉、语音识别、自然语言处理方面,取得了巨大成功.但这些深度神经网络需要巨大的计算开销和内存存储,阻碍了在资源有限环境下的使用,如移动或嵌入式设备端.为解决此问题,在近年来产生大量关于深度神经网络压缩与加速的研究工作.对现有代表性的深度神经网络压缩与加速方法进行回顾与总结,这些方法包括了参数剪枝、参数共享、低秩分解、紧性滤波设计及知识蒸馏．具体地,将概述一些经典深度神经网络模型,详细描述深度神经网络压缩与加速方法,并强调这些方法的特性及优缺点.此外,总结了深度神经网络压缩与加速的评测方法及广泛使用的数据集,同时讨论分析一些代表性方法的性能表现.最后,根据不同任务的需要,讨论了如何选择不同的压缩与加速方法,并对压缩与加速方法未来发展趋势进行展望.