通过构建语义代表以及生成对抗样本的方式来提高深度哈希模型的对抗性鲁棒性,进而在大规模图像检索系统中得到更可靠的检索结果。
Oct, 2023
本文提出了一种新的 Pharos-guided Attack 方法来评估深度哈希网络的对抗鲁棒性,通过最大化对抗样本和 pharos 代码之间的相似性直接进行可靠和高效的攻击,并在基准数据集上进行了广泛的实验验证。
Mar, 2023
本文提出课程对抗性训练 (CAT) 的方法,通过产生一系列攻击强度不同的对抗性样本,使用两种技术解决模型遗忘和泛化问题, 并证明 CAT 方法可以将 CIFAR-10 和 SVHN 的经验最坏情况精度大幅提高 25% 和 35%。同时,在非对抗性输入上,该模型的表现与现有最先进模型相当。
May, 2018
本文提出了一种高效无监督的方案,通过设计三个标准以限制敌对空间,从而在深度哈希算法供应链的漏洞下识别出混淆攻击,并在实时图像查询中获得 2-23% 的检测率提高。
Apr, 2023
提出了一种采用对抗生成网络和注意力机制进行深度跨模态哈希的方法,以增强多模态数据的内容相似度,同时在多个基准数据集上进行广泛评估并取得了良好的性能表现。
Nov, 2017
本文提出了一种深度哈希目标攻击方法 (DHTA),通过点集优化将对抗样本哈希码的平均距离最小化来攻击具有目标标签的对象的哈希,并提出了一种新的组件投票方案来获得锚码作为目标标签对象的哈希码集合的代表,以在某些限制条件下,平衡性能和可感知性。实验表明,DHTA 对深度哈希模型的图像和视频检索均有效。
Apr, 2020
本文中提出了一个使用生成式方法构建的新型原型监督式对抗网络(ProS-GAN),用于攻击深度哈希网络,得到更好的攻击性能和可转移性。
May, 2021
本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing,通过针对大规模图像检索任务,利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据,以此提升哈希搜索技术的效果和精度。实验证明,该方法比当前的深度哈希模型有着更好的效果。
Apr, 2018
本文提出一种使用二进制生成对抗网络(BGAN)进行无监督学习的图片编码方法,通过限制噪声变量为二进制并使用新的标志激活策略和损失函数,在不松弛约束条件下生成二进制编码,并提高了图像检索的准确性,相较于现有的哈希方法,我们的方法在标准数据集上的表现提高了 107%。
Aug, 2017
本文提出了一种利用深度神经网络实现对时尚库存图像进行语义哈希的方案,并使用哈密尔顿距离度量实现对时尚库存的图像检索。经实验验证,这种方案相对于现有的深度 Cauchy 哈希方法,可取得更好的平均精度。
Jun, 2019