Just for Life.

C++ 细节逐步填坑中，还有几个大坑预计 8 月前结束。普通的函数没啥意思了，本文涉及函数的进阶使用，包括：函数的默认参数、内联函数、函数重载和函数模板。

最近 rush 代码遇到一些问题，如一种典型的结构

1
2
3
4
5

|-main/
|----test1/
|--------module1.py
|----test2/
|--------module2.py

如上，想在 module2.py 中调用 module1.py 中的某个类，如果在 module2.py 中写：from ..test1 import module1，在 test2 文件夹下执行 python module2.py 会提示：

1

ImportError: attempted relative import with no known parent package

会遇到这样的错误。那么，如何解决呢？如果你只想看如何解决问题，直接翻到文末即可；网上大概搜了一下，需要 __init__.py 来解决下这个问题，但是网上搜了一圈，没啥写的特别好的教程，实在是烂的可以，特此来填坑。

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;

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。