开放集合对抗性防御
本文提出了一种双关注特征去噪网络 (OSDN-CAML) 来解决开放式对抗防御 (OSAD) 问题,该网络通过自监督和对抗学习实现了对图像中的对抗噪声的自适应去除,并且引入了清洁 - 对抗互补学习方法以增强开放式识别的鲁棒性。
Feb, 2022
该研究提出了一种新的无监督开放式域自适应方法,其中提出的上限包括四个术语:源域风险,ε- 开放集差异,域之间的分布差异和一个常数。模型训练完成后,其表现在多个基准数据集,包括数字识别 (MNIST,SVHN,USPS),物体识别 (Office-31,Office-Home) 和人脸识别 (P:IE) 方面已经达到了最先进水平。
Jun, 2020
打开集识别是将分类模型应用于现实世界应用中时的一个关键组成部分,最近的研究表明,基于熟悉度的评分规则(如最大软最大概率和最大逻辑分数)在封闭集准确度较高时是强大的基准。然而,基于熟悉度的开放集识别存在对抗攻击的潜在弱点。本文介绍了基于梯度的对抗攻击方法对熟悉度评分进行攻击,分别针对虚假熟悉性和虚假新颖性攻击,并在 TinyImageNet 上评估了它们在知情和不知情环境中的有效性。
Nov, 2023
本文提出了 OSODD 任务,使用开放式对象检测器识别未知对象的同时,基于其视觉外观无需人力,进一步发现未知对象的类别。我们提出了使用开放式对象检测器预测已知和未知对象的两阶段方法,然后以无监督的方式研究预测对象的表示,并从未知对象集合中发现新类别。在完整的评估协议下展示了我们模型在 MS-COCO 数据集上的性能。这项工作将促进更加强健的实际检测系统的研究。
Apr, 2022
通过提取未知实例的高置信度集合,并将其用作限制条件来收紧开放集域自适应方法的分类边界,改进了开放集域自适应方法。在包含 Office-31 和 Office-Home 数据集的广泛实验中,对 OVANet 进行评估,观察到连续改进的结果,Office-31 的准确率和 H-Score 绝对增益高达 1.3%,Office-Home 的准确率增益为 5.8%,H-Score 增益为 4.7%。
Sep, 2023
该研究提出了一种新型的 OpenMax 模型,通过引入 Meta-Recognition 概念到网络的倒数第二层的激活模式中,估计输入图像来自未知类别的概率,从而实现深度学习神经网络的开放式识别,极大地提高了开放式识别准确性。
Nov, 2015
本文总结了最新的开放式图像识别方法的发展,主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析,同时讨论了该领域的若干开放问题和未来可能的研究方向。
Dec, 2023
本文提出一种基于 Unknown-Aware Domain Adversarial Learning(UADAL)的开放领域适应方法,该方法在特征对齐过程中同时对齐源和目标已知分布,隔离目标未知分布,实现了特征对齐和目标未知类别的理论保证,实验结果表明此方法胜过其他方法并表现出最先进的性能。
Jun, 2022
本文介绍了一种针对物联网环境中网络入侵检测系统的开放集识别问题的缓解框架,该框架利用基于图像的报文级数据表示,从网络流量中提取空间和时间模式,并结合堆叠和子聚类技术,有效地模拟良性行为的复杂和多样性,显著提升了先前未见攻击的检测率,未来将在各种开放程度和攻击场景下进行进一步实验,进一步加强该解决方案在保护物联网环境中的适应性和性能。
Sep, 2023
本篇文章提出了一种新型 Open Deep Network (ODN) 架构,用于处理 Open-set action recognition 中的新类别检测和识别问题,并且可以更好地适应实际应用场景,在实验中达到了很优秀的表现。
Jan, 2019