第91期 HackCV 日报

本篇文章是作者把对抗学习应用到安全领域的总结和分享,文中回顾了对抗学习的基础知识和发展历史,以及一些相关的开源工具,并列举了当前很多相关的文献资料和研究,他们把对抗学习用作恶意的用途,比如发送垃圾邮件、避免恶意软件被检测、破解自动驾驶等,作者希望可以把对抗学习用作“善途”,并列举了一些方向。

作者对2017年的总结,显然比较关注医疗AI,这方面今年的发展超出了作者的预测,AI领域内的其他方向也都有不少的进展,很多年初提出的问题,年底基本都已经解决,或者取得了不错的进展。

生成对抗网络起于2014,目前已经成为密度估计任务的首选。本文针对的问题是,GAN原理是要让真实数据的密度与模型数据的密度Jensen-Shannon的分离度最小,但实际上并没有采取一些错误来分析这个情况。本文对英伟达最新的名人生成论文进行该问题的探索。相对于使用像素间的L1距离来判断,作者使用dlib中的人脸语义特征进行判断,最后得到的结论表示GAN确实可以成功恢复真实的数据分布。