利用对抗学习在资源匮乏的语言中进行手写识别

CVPRNov, 2018

利用对抗学习在资源匮乏的语言中进行手写识别

Handwriting Recognition in Low-resource Scripts using Adversarial Learning

Ayan Kumar Bhunia, Abhirup Das, Ankan Kumar Bhunia, Perla Sai Raj Kishore, Partha Pratim Roy

TL;DR本文介绍了手写字识别和定位中的一种新的训练模式，即使用 Adversarial Feature Deformation Module (AFDM) 通过扭曲特征以加强学习能力，测试表明，该模型可以显著地提高在数据匮乏情况下的普适性和准确度。

Abstract

handwritten word recognition and Spotting is a challenging field dealing with handwritten text possessing irregular and complex shapes. The design of deep neural network models makes it necessary to extend training datasets in order to introduce variations and increase the number of sa

handwritten word recognition deep neural network models adversarial feature deformation module low-resource scripts word-spotting

发现论文，激发创造

通过对抗特征相似学习实现对抗演绎的深度伪造检测

深度伪造技术引发了对数字内容真实性的担忧，需要开发有效的检测方法。然而，深伪技术的广泛应用带来了新的挑战，即敌对攻击。本文介绍了对抗特征相似性学习（AFSL）方法，该方法整合了三个基本的深度特征学习范例，旨在区分真实和伪造实例，并最大化对抗扰动和未扰动实例之间的相似性。此外，我们引入了一种正则化技术，最大化了真实和伪造样本之间的不相似性，确保了这两个类别的明确分离。通过在 FaceForensics++、FaceShifter 和 DeeperForensics 等流行的深伪数据集上进行大量实验，我们的方法明显优于其他标准对抗训练防御方法，这进一步证明了我们的方法在保护深伪检测器免受敌对攻击方面的有效性。

Feb, 2024

对齐、最小化和多样化：一种基于源自由的无监督领域自适应方法用于手写文字识别

该论文介绍了一种用于手写文本识别的 Align, Minimize 和 Diversify（AMD）方法，它是一种无源无监督域自适应方法。通过解耦适应过程和源数据，这种方法不仅避免了资源密集型的重新训练过程，还能够利用现代深度学习架构中编码的丰富预训练知识。通过引入三个独立的正则化项，即对齐项、最小化项和多样化项，我们的方法明确消除了在适应过程中需要重新访问源数据的需求，保证了预训练表示的可迁移性，最小化预测的不确定性，同时通过促进目标数据中的多样性和独特序列，防止信息崩溃。多个基准实验结果证明了 AMD 的有效性和鲁棒性，在手写文本识别中竞争力强，常常胜过之前的域自适应方法。

Apr, 2024

卷积识别模型特征与文本标签相结合的离线检测错误拼写的手写词

通过引入与文本进行比较的任务，我们提出了一个无限制的二元分类器，其中包括一个手写识别特征提取器和一个多模态分类头，该分类头将特征提取器的输出与输入文本的向量表示进行卷积。我们的模型的分类头完全基于使用最先进的生成对抗网络创建的合成数据进行训练。我们证明，与直接使用最先进的手写识别模型来解决任务相比，尽管保持高回收率，但分类器可以进行校准，使平均精确度提高了 19.5%。这种巨大的性能提升可以在利用人 - 环自动化的应用中带来显著的生产力增长。

Sep, 2023

使用强健的单词识别技术对抗对抗性拼写错误

为应对对抗性拼写错误，本文提出在下游分类器前放置一个单词识别模型。该方法使用基于 RNN 的半字符架构的单词识别模型，并引入了几种新的回退策略来处理罕见和未见单词。与半字符模型相比，该方法实现了 32% 的相对误差降低（和 3.3% 的绝对误差降低）。本文提出的方法不仅可以提升鲁棒性，还可以超越敌对训练和现成的拼写检查器。

May, 2019

不降低性能防御预训练语言模型受到的对抗词替换攻击

本文提出了一种紧凑且性能不受影响的框架 ADFAR，采用辅助异常检测分类器和多任务学习过程较好地识别了对抗性输入的样本，并应用了频率感知的随机化过程防御对抗词置换攻击，在各种任务上显着优于其他防御方法，且没有损害 PrLMs 的整体性能。

May, 2021

基于单个手写单词图像的深度自适应写手识别学习

该论文提出了一种基于多任务深度自适应学习的方法，利用深度卷积神经网络从显式内容识别的辅助任务中学习通用的特征，从而提高单词图像的写作者识别性能。

Sep, 2018

对抗性多样化记忆回放（ADRM）：在连续学习中缓解记忆过度拟合问题

通过引入 Adversarially Diversified Rehearsal Memory (ADRM) 方法来解决记忆过拟合问题，ADRM 使用 FGSM 攻击来增加记忆样本的多样性，使得连续学习模型能够更加鲁棒地应对特征漂移和避免灾难性遗忘。

May, 2024

深度神经网络适应下的无需手语者手语识别

本研究探讨了在签名人不相关的设置下，对手指拼写字母序列进行美国手语识别的问题，并使用深度神经网络进行自适应模型，从而在词标签的情况下实现了最高 82.7% 的字符识别准确率。

Feb, 2016

对抗式判别异质人脸识别

本文提出了一种对抗鉴别特征学习框架，通过在原始像素空间和紧凑特征空间上进行对抗学习，整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明，我们的方法优于最先进的 HFR 方法，且不需要复杂网络或大规模训练数据集。

Sep, 2017

对抗特征对齐：通过对抗训练在深度学习中平衡鲁棒性和准确性

本文提出了一种名为 Adversarial Feature Alignment (AFA) 的新型对抗性训练方法，旨在解决深度学习模型在安全性上平衡鲁棒性和准确性的挑战。通过利用对比学习的优化算法，AFA 减轻特征不对齐可能导致误分类的风险，并在实验中展示了其卓越性能。

Feb, 2024