基于随机平滑的数据中毒防御有多强健？ 抽象的 可证明可靠的分类器的预测在一个点附近保持不变，从而使它们在保证测试时间的情况下具有弹性。 在这项工作中，我们提出了对健壮的机器学习模型的前所未有的威胁，突显了训练数据质量在实现高认证健壮性方面的重要性。 具体而言，我们提出了一种基于双层优化的新型数据中毒攻击，该攻击会降低可证明的鲁棒分类器的鲁棒性保证。 与其他数据中毒攻击会降低一小组目标点上的中毒模型的准确性不同，我们的攻击会减少数据集中整个目标类的平均认证半径。 此外，即使受害者使用最新的健壮训练方法（例如， 和从头开始训练模型，我们的攻击也是有效的。 为了使攻击更难检测，我们使用带有明显较小失真的干净标签中毒点。 通过中毒MNIST和CIFAR10数据集并使用前面提到的鲁棒训练方法训练深度神经网络，并使用随机平滑验证其鲁棒性，来评估所提出方法的有效性。 对于使用这些强大的训练方法训练的模型

自动交任务插件GetToThePoint.rar（魔兽游戏资料）

信息技术教研计划-PowerPointPresenta.pptx

台州市著名商标培训教程1ppt-powerpointp.pptx

出第五款GreenPoint(tm)参考设计，用于液晶电视和显示器、笔记本电脑和其他消费电子产品的60瓦（W）电源适配器。该新型参考设计不仅满足待机和工作模式能效规范标准的繁冗设计挑战，而且是性价比高的解决方案。 　　安森美半导体这最新设计蓝图除提供真正高能效，也解决了电源适配器的所有功能模块，取得了低待机功率，且符合CEC、美国能源之星及欧洲Code of Conduct（COC）的要求。该设计提供88% 的能效，在待机模式下能耗小于250毫瓦（mW），进一步节省电源（适配器大多数时间均处于待机模式）。方今大多数的60 W适配器之待机能耗为750 mW。 　　安森美半导体汽车和电源产品部高级

NSGA-II 基于参考点的算法原理实现参考文献，该文献介绍了reference point和predator-prey两种方法

这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是**本文增加了一个很方便理解的可视化的代**码，可以自己拿来跑就行，自己debug应该也可以理解作者的意思，希望对读者有帮助。

高德API多边形搜索poi爬取，利用四分法切割多边形，解决高德API只能检索900条数据的问题

PointNet2用于3D点云的语义分割 马蒂厄·奥罕（Mathieu Orhan）和纪尧姆·迪基瑟（Guillaume Dekeyser）着（巴黎桥和歌剧院，2018年，巴黎）。 介绍 这个项目是PointNet2的学生分支，由斯坦福大学的Charles R. Qi，Li（Eric）Yi，Hao Su，Leonidas J. Guibas提供。 有关详细信息，您可以参考原始的PointNet2论文和代码（ ）。 该分支专注于语义分割，目的是比较三个数据集：Scannet，Semantic-8和Bertrand Le Sa​​ux空中LIDAR数据集。 为此，我们清理，记录，重构和改进原始项目。 稍后，我们将把相同的数据集与另一个最新的语义分割项目SnapNet进行比较。 相关性和数据 我们使用3 GTX Titan Black和GTX Titan X在Ubuntu 16.04上工作。

https://github.com/open-mmlab/OpenPCDet 链接内的pointrcnn权重文件