本研究提出了一种基于上下文一致性规则学习的深度神经网络攻击检测方法，通过建立了一组自动编码器来检测违反上下文一致性规则的对抗扰动，实验证明该方法可以有效检测各种对抗攻击。

Jul, 2020

通过使用零查询方案、设计新的数据结构、利用及定义的概念、实现线索较弱的检测来生成背景一致的对抗性攻击，能够有效地规避自然多物体场景中的黑盒目标检测器，并提高攻击成功率。

Mar, 2022

本研究提出一种基于对象关系模块的深度学习模型，可以同时处理对象之间的外观特征和几何关系，从而提高了对象识别和重复去除步骤，在 CNN-based detection 中显著地有效，且无需额外 supervision，是第一个完全端到端的物体检测器。

Nov, 2017

本文旨在通过空间上下文信息表征对语义分割中的对抗样本进行防御，发现空间一致性信息可以被潜在地利用来检测对抗样本，本文所考虑的攻击型对抗样本在模型之间几乎不能传递，这些观察结果为研究如何应对和理解 DNNs 的弱点提供了新的视角。

Oct, 2018

本文提出了一种基于语义图和视觉场景图构建的上下文相关扩散网络 (CDDN) 框架，用于解决对象之间的关系识别问题。对两个广泛使用的数据集进行的实验表明，所提出的方法更有效，达到了最先进的性能。

Sep, 2018

本研究从模型鲁棒性的角度出发，对目标检测模型和对抗攻击进行了系统分析，提出了一种多任务学习的视角和不对称的任务损失，并进一步开发了一种基于多种攻击源提高检测模型鲁棒性的对抗训练方法，实验证明了其有效性。

Jul, 2019

本篇研究提出一种基于对象共现和它们相对位置和大小作为上下文信息的上下文感知攻击方法，可成功针对黑盒对象检测器生成有针对性的误分类攻击，并在 PASCAL VOC 数据集上实现高达 20% 以上的性能提升。

Dec, 2021

通过深度关系网络的嵌入式框架，探讨和利用对象之间以及它们的关系之间的统计依赖关系，从而实现更好的图像理解能力。

Apr, 2017

本文介绍了一种算法，用于分析操作 3D 数据的神经网络的点对点健壮性，并展示了当前方法过度估计模型的韧性，进而评估了一系列最先进模型的韧性，指出它们对于遮挡攻击的脆弱性，并最终发现这些网络在最坏情况下，可以在占据输入空间不超过 6.5％的遮挡下降至 0％的分类准确率。

Apr, 2019

该研究考察了基于相机的 3D 物体检测方法在不同对抗条件下的鲁棒性，并发现了提高鲁棒性的关键因素，包括准确的深度估计、鸟瞰图表示法、多帧输入等，为今后设计具有改进的鲁棒性的基于相机的物体检测模块提供指导。

Jan, 2023