Jul, 2021

DVS-Attacks：面向脉冲神经网络动态视觉传感器的对抗攻击

PDF
TL;DR本研究提出了 DVS-Attacks 对 Spiking Neural Networks 实施隐蔽性并有效的对抗攻击方法，并指出 DVS 的噪声滤波器可用作对抗攻击的防御机制，实验结果表明，即使采取最佳噪声滤波器设置，DVS-Attacks 仍然成功地降低了 SNNs 的准确性。
spiking neural networksdynamic vision sensorsadversarial attacksnoise filtersdvs-attacks
发现论文，激发创造
  • 恶劣天气条件下行人意图预测：脉冲神经网络和动态视觉传感器

    利用脉冲神经网络（SNNs）与动态视觉传感器（DVS）相结合，提高自动驾驶车辆在恶劣天气条件下对行人的检测效果，验证了 SNNs 相对于传统卷积神经网络（CNNs）在雷雨等复杂情况下具有更高的精度和计算效率，并为智能交通系统的安全功能在不同运行环境中提升探索了可能性。

    Jun, 2024

  • 时间序列图像数据的对抗物理攻击检测

    本文提出了一种结合了多数投票机制的实时检测器 VisionGuard*，可用于检测时间序列图像数据中的对抗性物理攻击，通过实验证明其优于设计用于异常数据和数字攻击图像的检测器。

    Apr, 2023

  • 自主驾驶多任务视觉感知的对抗攻击

    本文针对自主驾驶感知任务中的多任务视觉感知深度网络，进行了细致的对抗攻击研究，并提出了简单的防御方法。实验考虑了针对性和非针对性的白盒和黑盒攻击，以及在攻击一个任务时检查对其他任务的影响，同时还检查了应用简单防御方法的效果。最后通过对实验结果进行比较和讨论，提出了一些结论和未来研究方向。

    Jul, 2021

  • 在神经形态摔倒检测和动作识别数据集上评估传统视觉模型

    提出针对神经形态感知相机的人体动作识别和跌倒检测数据集，使用先进视觉模型 Fine-tuned 的方法，各模型准确度分别为：DVS-MViT（0.958），DVS-C2D（0.916），DVS-R2+1D（0.875）和 DVS-SlowFast（0.833）。

    Jan, 2022

  • 基于事件视频流的预测性时间注意力用于高效节能的情境感知

    基于人脑中的预测编码模型和期望抑制现象，我们提出了一种时间注意机制，通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件，从而不仅减少了传感器 - 处理器接口的能耗，而且通过过滤噪声事件有效地减少了计算工作量，我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7％，处理器上的计算活动减少 43.8％。

    Feb, 2024

  • 动态视觉传感器的噪声量化

    一种新的技术被提出用于表征动态视觉传感器的背景活动噪声，通过 Detrended Fluctuation Analysis (DFA) 可以定量地表征噪声和信号，并且可以得出最佳的去噪滤波器参数，在实际移动车辆数据集上进行了验证。

    Apr, 2024

  • 物理对抗攻击遇见计算机视觉：十年调查

    对于深度神经网络 (DNNs) 的安全性问题，本文重点关注于物理对抗攻击，总结了 150 篇现有的物理对抗攻击的论文，详细分析了物理对抗攻击的特征、媒介、方法及其效果，并探讨了当前的挑战和未来方向。

    Sep, 2022

  • 通过图像净化防御脉冲神经网络受到的对抗攻击

    提出了一种仿生的方法来增强 SNN 的鲁棒性，通过绘制视觉遮盖效应和滤波理论的启示，引入一种端到端的基于 SNN 的图像净化模型，以抵御对抗性攻击，并通过引入多级激发的 SNN 来改善分类器的鲁棒性。

    Apr, 2024

  • 关于脉冲神经网络对抗样本的可传递性和安全性保障

    本文研究了 SNN 的对抗鲁棒性，提出了一种新的白盒攻击方法 Auto SAGA，对 SNN 以及 CNN/ViT 模型均有很高的成功率。实验涵盖三个数据集和 19 种不同的分类器模型。

    Sep, 2022

  • Spiking 和深度神经网络的安全漏洞比较研究

    研究 Spiking Neural Networks（SNNs）和 Deep Neural Networks（DNNs）在对抗噪声方面的安全漏洞，并提出了一种新的黑盒攻击方法，考察了 SNNs 和 DNNs 之间在对抗性样本方面的差异，从而为研究 SNNs 的稳健性开辟了新的研究方向。

    Feb, 2019