MICCAI 2018 - Reconstruction and Image Quality
M-1 |
Conditional Generative Adversarial Networks for Metal Artifact Reduction in CT Images of the Ear |
M-2 |
Neural Network Evolution Using Expedited Genetic Algorithm for Medical Image Denoising |
M-3 |
|
M-4 |
DeepASL: Kinetic Model Incorporated Loss for Denoising Arterial Spin Labeled MRI via Deep Residual Learning |
M-5 |
Direct Estimation of Pharmacokinetic Parameters from DCE-MRI using Deep CNN with Forward Physical Model Loss |
M-6 |
Short Acquisition Time PET/MR Pharmacokinetic Modelling using CNNs |
M-7 |
Can Deep Learning Relax Endomicroscopy Hardware Miniaturization Requirements? |
M-8 |
A Framework to Objectively Identify Reference Regions for Normalizing Quantitative Imaging |
M-9 |
Evaluation of Adjoint Methods in Photoacoustic Tomography with Under-Sampled Sensors |
M-10 |
A No-Reference Retinal Vessel Tree Segmentation Quality Metric |
M-11 | Efficient and Accurate MRI Super-Resolution using a Generative Adversarial Network and 3D MultiLevel Densely Connected Network |
M-12 | A Deep Learning based Anti-aliasing Self Super-resolution Algorithm for Magnetic Resonance Imaging |
M-13 | Gradient Profile Based Super Resolution of MR Images with Induced Sparsity |
M-14 | Deeper Image Quality Transfer: Training Low-Memory Neural Networks for 3D Images |
M-15 | High Frame-rate Cardiac Ultrasound Imaging with Deep Learning |
M-16 | Phase-Sensitive Region-of-Interest Computed Tomography |
M-17 | Some Investigations on Robustness of Deep Learning in Limited Angle Tomography |
M-18 | Adversarial Sparse-View CBCT Artifact Reduction |
M-19 | Nasal Mesh Unfolding—an Approach to Obtaining 2-D Skin Templates from 3-D Nose Models |
M-20 | Towards Generating Personalized Volumetric Phantom from Patient's Surface Geometry |
M-21 | Multi-channel Generative Adversarial Network for Parallel Magnetic Resonance Image Reconstruction in K-space |
| M-22 | A Learning-based Metal Artifacts Correction Method for MRI using Dual-Polarity Readout Gradients and Simulated Data |
M-23 | Motion Aware MR Imaging via Spatial Core Correspondence |
M-24 | Nonparametric Density Flows for MRI Intensity Normalisation |
M-25 | Ultra-fast T2-weighted MR Reconstruction using Complementary T1-weighted Information |
M-26 | Image Reconstruction by Splitting Deep Learning Regularization from Iterative Inversion |
M-27 | Adversarial and Perceptual Refinement for Compressed Sensing MRI Reconstruction |
M-28 | Translation of 1D Inverse Fourier Transform of K-space to an Image based on Deep Learning for Accelerating Magnetic Resonance Imaging |
M-29 | Deep Learning using K-space Based Data Augmentation for Automated Cardiac MR Motion Artefact Detection |
M-30 | Cardiac MR Segmentation from Undersampled k-space using Deep Latent Representation Learning |
| M-31 | Stochastic Deep Compressive Sensing for the Reconstruction of Diffusion Tensor Cardiac MRI |
| M-32 | A Comprehensive Approach for Learning-based Fully-Automated Inter-slice Motion Correction for Short-Axis Cine Cardiac MR Image Stacks |
| M-33 | Automatic View Planning with Multi-scale Deep Reinforcement Learning Agents |
| M-34 | Automatic, Fast and Robust Characterization of Noise Distributions for Diffusion MRI |
| M-35 | Towards MR-Only Radiotherapy Treatment Planning: Synthetic CT Generation Using Multi-view Deep Convolutional Neural Networks |
| M-36 | An Automated Localization, Segmentation and Reconstruction Framework for Fetal Brain MRI |
| M-37 | Retinal Image Understanding Emerges from Self-Supervised Multimodal Reconstruction |
| M-38 | Locality Adaptive Multi-modality GANs for High-quality PET Image Synthesis |
| M-39 | Joint PET+MRI Patch-based Dictionary for Bayesian Random Field PET Reconstruction |
M-40 | Analysis of 3D Facial Dysmorphology in Genetic Syndromes from Unconstrained 2D Photographs |
M-41 | Dual-Domain Cascaded Regression for Synthesizing 7T from 3T MRI |
M-42 | Double Your Views - Exploiting Symmetry in Transmission Imaging |
M-43 | Real Time RNN Based 3D Ultrasound Scan Adequacy for Developmental Dysplasia of the Hip |
M-44 | Direct Reconstruction of Ultrasound Elastography Using an End-to-End Deep Neural Network |
M-45 | 3D Fetal Skull Reconstruction from 2DUS via Deep Conditional Generative Networks |
M-46 | Towards Radiotherapy Enhancement and Real Time Tumor Radiation Dosimetry Through 3D Imaging of Gold Nanoparticles using XFCT |
M-47 | Standard Plane Detection in 3D Fetal Ultrasound Using an Iterative Transformation Network |
[데이터베이스 언어] 기말고사
* 기말고사 문제
기말고사 문제.pptx* 제출 방법
- "학번_자기이름_기말고사 결과" 라는 폴더를 생성하여 폴더에 각 결과 파일 저장.
- 폴더 이름과 동일하게 압축하여,
- park8312@gmail.com로 제출
- 메일 제목 : [데이터베이스 언어 기말고사] 자기이름
- 메일 제출 확인 후 퇴실
- 12월 10일 보강 시 기말고사 문제 풀이
* 소스(압축파일)
- 각 파일을 모두 다운로드 받은 후, 기말고사 소스.vol1.egg를 클릭하여 압축 해제
기말고사 소스.vol1.egg* 소스
Automatic Creation of SQL Injection and Cross-Site Scripting Attacks
Abstract
우리는 웹 애플리케이션에서 보안 취약점을 찾기 위한 기법을 보인다. SQL 인젝션(SQLI)과 크로스사이트 스크립팅(XSS) 공격은 공격자가 액세스하는 애플리케이션에 입력을 공들여 만들거나 사용자 데이터를 수정하고 악의적인 코드를 실행하는 널리 퍼진 형태의 공격이다. 가장 위험한 공격(second-order, or persistent, XSS라 불리는)에서, 공격자는 사용자들이 다음에 악의적인 코드를 실행하도록 야기하기 위해 데이터베이스에 오류를 일으킨다. 이 논문은 SQLI와 XSS 취약점을 노출시키는 입력들을 생성하기 위한 자동화된 기법을 보인다. 이 기법은 실행을 통해(데이터베이스 액세스를 통한 것을 포함하여) 상징적인 흔적을 오염시키는 샘플 입력들을 생성하고 구체적인 exploits을 초래하는 입력을 변형한다. 우리 것은 정확하게 second-order XSS 공격을 다룰 수 있다고 다룬 첫 번째 분석이다. 우리의 기법은 실제 공격 백터를 생성하고, 거짓 양성을 가지며, 배포된 애플리케이션에 런타임 오버헤드를 생성하지 않고, 애플리케이션 코드의 수정을 요구하지 않고 작업되며, 동적 프로그래밍-언어 제약을 다룬다. 우리는 Ardilla 툴에서, PHP를 위한 기법을 구현하였다. 우리는 5개의 PHP 애플리케이션에서 Ardilla를 평가하여, 68개의 이전에 알려지지 않은 취약점을 찾았다(23개의 SQLI, 33개의 first-order XSS, 그리고 12개의 second-order XSS).
논문 보다가 아까워서....
하지만 발로 번역했다는거... ㅋㅋㅋ
'Computer Science' 카테고리의 다른 글
| SCTP 특성 발표자료 입니다. (0) | 2009.04.08 |
|---|---|
| SCTP 발표 준비중 (0) | 2009.04.02 |
