CVPRApr, 2022

视觉破坏中的注意一致性对于单源域泛化的影响

PDF
TL;DR通过使用图像数据的变形，以及同一样本不同视角间的一致性注意力以强化单一数据分布训练出来的视觉识别模型对不同数据分布（即域）的鲁棒性，并命名该模型为 ACVC。研究表明，ACVC 在 PACS、COCO 和 DomainNet 三个单源域泛化基准测试中均获得了最新的最佳效果。
visual recognitiondomain generalizationcorruptionsattention consistencystate of the art
发现论文，激发创造
  • 基于文本引导的鲁棒性基准测试

    本研究探讨了图像分类器对以文字为导向的失真的鲁棒性，并利用扩散模型对图像进行不同域的编辑，研究结果表明： 在不同语言为基础的失真和编辑域中，图像分类器的性能显著下降，卷积模型比变压器架构更为鲁棒，同时，常见的数据扩充技术可以提高原始数据和编辑图像的性能。

    Apr, 2023

  • 使用频率偏置模型提高对通用损坏的鲁棒性

    本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法，成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务，同时提升了在受损图像方面的鲁棒性。

    Mar, 2021

  • 3D 常见数据损坏及数据增强

    本文提出了一组图像转换，用作对模型鲁棒性的评估，以及训练神经网络的数据增强机制。这些转换具有现实世界中更可能出现的损坏方式和语义，可以有效提高模型的鲁棒性，并为鲁棒性研究开辟了有前途的方向。

    Mar, 2022

  • 计算机视觉模型对常见失真的鲁棒性：一项调查研究

    本文针对计算机视觉模型在实际应用中面临的常规污染问题进行了全面和系统的综述，介绍了不同类型的图像污染以及相关的评估指标和基准数据集，并对现有模型的基础污染鲁棒性进行了评估，以帮助选择适合特定计算机视觉任务的骨干网络。

    May, 2023

  • 多样性高斯噪声一致性正则化：提高抗干扰性和不确定性校准

    本研究提出了一种基于多样高斯噪音的一致性正则化方法，来改进图像分类器在面临各种噪声干扰时的鲁棒性和准确性。经过多项测试，在各项图像分类基准测试中，本方法都显著地超越了当代各种先进方法，进一步提高鲁棒精度和不确定性校准。

    Apr, 2021

  • 评估神经网络的可视连续性腐败鲁棒性相对于人类表现

    我们提出了一种视觉连续的损坏稳健性（VCR）方法，允许在范围广泛且连续的变化中评估神经网络对图像损坏的稳健性，并使用两种新颖的人类感知度量标准进行评估。通过在 14 种常用图像损坏上进行实验，并与大量的人类参与者和最新的稳健神经网络模型进行比较，我们的研究发现：1）连续损坏的稳健性评估可以揭示现有基准测试无法检测到的不足；因此，2）神经网络和人类的稳健性差距大于以往所知；最后，3）某些图像损坏对人类感知有相似的影响，为更具成本效益的稳健性评估提供了机会。

    Feb, 2024

  • 跨域对应实现小样本图像生成

    利用预训练的跨域远程监督来降低过拟合，使用锚定策略以鼓励不同程度的真实感，实现源域和目标域之间的自动对应和生成更多样化和逼真的图像的少样本学习模型。

    Apr, 2021

  • 计算机视觉中模型鲁棒性的傅里叶视角

    计算机视觉中，通过数据增强方式可以提高鲁棒性，但增加高斯数据增强和对抗训练等方法并不能保证所有的污染类型都能同样得到提高，因此需要使用更多样的数据增强方式来缓解这些折衷。最近提出的 AutoAugment 方法在清晰精度和鲁棒性方面均得到了最佳表现。

    Jun, 2019

  • 揭示可普遍适用的深伪冒检测中的常见不一致性

    我们提出了一种基于帧不一致性的检测方法，通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性，实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。

    Nov, 2023

  • 多级注意力 CNNs 用于领域泛化

    本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。

    Apr, 2023