本文提出了一种使用秘密密钥进行访问控制的新方法，旨在保护具有 Vision Transformer (即分割 Transformer) 的语义分割模型免受未经授权的访问。通过使用 ViT 所具有的 patch embedding 结构，训练模型和测试图像可以使用密钥进行有效加密，然后在加密域中执行语义分割任务。在实验中，该方法被证实在授权用户使用正确密钥的情况下提供与使用未加密的纯图像相同的准确性，并向未经授权的用户提供极度降低的准确性。

Aug, 2022

本文提出了一种使用分块像素置换和秘密密钥作为预处理技术来保护模型的方法，实验结果表明，当密钥正确时，保护模型的性能接近于非受保护模型，而当给出错误的密钥时，准确度会严重下降，但所提出的模型保护在不仅抵御暴力攻击和微调攻击方面具有鲁棒性，同时还保持几乎与使用非受保护模型相同的性能精度。

Aug, 2020

以用户为中心的设计和资源优化在任何技术或创新中都应该是关键。该方案创新于医学图像存储和安全领域，通过分割、存储和检索三个主要模块，通过对医学图像进行加密和分割，实现了对关键部分的安全存储，从而提高检索速度。

Mar, 2024

通过生成可被人类感知的图像，本研究在保护模型准确推断的同时，回避其他类似或不同目标的非授权黑盒模型，以实现实际的隐私保护。

Feb, 2024

该研究讨论了如何解决语义分割中的隐私问题，尤其是在黑盒威胁环境下的成员推断攻击和防御方法的应用与实验。

Dec, 2019

该论文探讨了农业航空图像的语义分割问题，提出了基于数据增强和采样方法的解决方案，实验证明该方法能够提高现有方法的性能。

Apr, 2022

本文提出了一种新颖的语义和空间自适应（SSA）分类器，通过使用从固定原型获得的粗略掩码作为指导，在测试图像的语义和空间领域调整固定原型，从而同时考虑语义和空间领域中的自适应原型以完成分类决策，文章实验证明 SSA 显著提高了基线模型的分割性能，且计算成本仅略有增加。

May, 2024

我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。

May, 2024

基于深度学习模型的知识产权保护问题，本研究提出了一种新颖的 MAsk Pruning（MAP）框架，通过冻结源模型，并学习目标特定的二进制掩模来实现未授权数据使用的防护，同时最小化对授权数据的性能降低，实验证明该方法在多种场景下达到了新的最佳性能。

Mar, 2024

本文提出了一种有效的隐私保护学习范式，通过对图像进行加密以实现人类不可察觉机器可识别，将这一方法应用于图像分类和目标检测，在 ImageNet 和 COCO 数据集上实验结果表明，这种方法可以实现与现有方法相当的准确性且能够确保加密图像的隐私安全。

Jun, 2023