CVPRMar, 2023

特征分离和重新校准的对抗鲁棒性

PDF
TL;DR本文提出了一种名为特征分离与校准 (FSR) 的新方法，通过分离和校准恶意、非鲁棒激活，为更强大的特征映射重新校准，以捕获正确模型预测所需的潜在有用线索，相较于传统的去激活技术，实验表明 FSR 不仅提高了现有对抗训练方法的健壮性，而且对计算开销很小。
deep neural networksadversarial attacksfeature levelrobustnessrecalibration
发现论文，激发创造
  • 特征映射协调：增强对抗鲁棒性的图卷积方法

    深度神经网络对对抗性扰动的脆弱性引起了重大的安全关切，本研究提出了一种创新的插拔模块称为基于特征图的重构图卷积（FMR-GC），通过在通道维度上谐调特征图以重构图，并采用图卷积捕获邻域信息，有效校准污染特征，与先进的对抗训练方法相结合，显著提高鲁棒性而不影响模型的准确性。

    Jun, 2024

  • 探索稳健特征以提升对抗性鲁棒性

    通过分离鲁棒特征和领域特定特征，我们提出了一个鲁棒特征分离模型，以增强模型的对抗性鲁棒性。同时，训练出的领域鉴别器几乎完美地能够识别出干净图像和对抗性样本中的领域特定特征，从而无需额外的计算成本实现对抗性样本的检测。这样一来，我们可以为干净图像和对抗性样本指定不同的分类器，避免了干净图像准确率的降低。

    Sep, 2023

  • 基于全卷积网络的语义分割自适应特征重组与再校准

    本文提出了一种针对 Fully Convolutional Networks 进行语义分割的特征重组和空间自适应重新校准块 - SegSE 块。通过考虑跨通道信息和空间相关性来重新校准特征图，实验证明，重组和重新校准可以提高基线结果，并推广到三个不同问题：脑肿瘤分割，中风暗区估计和缺血性中风病变结局预测，其结果具有竞争力或优于现有技术水平。

    Jun, 2020

  • ReDFeat: 多模态特征学习中的重耦合检测和描述

    本文利用互相关联的检测和描述特点的相互加权策略进行多模态特征学习，提出了具有大触发范围的 Super Detector 和 learnable 非最大抑制层的 detector，并提出了可评估特征匹配和图像注册任务性能的基准系统，实验证明本文的方法可以显著提高匹配的准确性及训练的稳定性。

    May, 2022

  • 针对对抗音频分类的通道特征自适应重新校准

    本文研究了 DeepFake Audio 从检测角度进行了研究，并提出了使用注意力特征融合的通道重新校准方法进行合成语音检测。同时，我们也通过使用 SE 块和 LFCC/MFCC 的结合，改进了 Resnet 模型，并提出了更好的输入特征嵌入方式，使得即使较为简单的模型在合成语音分类任务上也能够很好地推广。经过针对 Fake or Real 数据集的训练，我们的模型在 FoR 数据上能够获得 95％的测试准确度，并在使用不同的生成模型生成样本后适应该框架后，达到了 90％的平均准确度。

    Oct, 2022

  • 多尺度空间非对称再校准图像分类

    本文提出了一种名为多尺度空间非对称重新校准的方法，在残差块和密集连接块等多个流行的模块上实现，并证明其在 CIFAR 和 ILSVRC2012 分类任务中具有优越的性能表现，通过从多个尺度提取周围区域的信息，不对称的空间加权方案来提高卷积能够利用上下文提示的能力。

    Apr, 2018

  • 通过特征解缠缚来缓解对抗鲁棒性中的特征差距

    我们提出了一种基于潜在特征解缠的方法，以明确建模并进一步消除导致特征差异的潜在特征，从而提高深度神经网络对抗样本的鲁棒性。实证评估表明，我们的方法超越了现有的对抗微调方法和对抗训练基线。

    Jan, 2024

  • 针对对抗性攻击的稳健实际图像超分辨率

    研究了深度神经网络在实际图像超分辨率应用中受到敌对噪声攻击的问题，并提出一种结合频域掩模模块和敌对样本分类器的解决方案，以提高模型的稳定性和鲁棒性。

    Jul, 2022

  • 固定的神经元协变性引起对抗性稳健性

    通过引入自相关激活层，该研究以人类感知的特性为依据，改善了深度神经网络对敌对扰动的抵抗能力，从而提高了图像和声音识别任务的准确率并显著降低了对最新的自动 PGD 敌对攻击的脆弱性。

    Aug, 2023

  • 通过对抗特征相似学习实现对抗演绎的深度伪造检测

    深度伪造技术引发了对数字内容真实性的担忧，需要开发有效的检测方法。然而，深伪技术的广泛应用带来了新的挑战，即敌对攻击。本文介绍了对抗特征相似性学习（AFSL）方法，该方法整合了三个基本的深度特征学习范例，旨在区分真实和伪造实例，并最大化对抗扰动和未扰动实例之间的相似性。此外，我们引入了一种正则化技术，最大化了真实和伪造样本之间的不相似性，确保了这两个类别的明确分离。通过在 FaceForensics++、FaceShifter 和 DeeperForensics 等流行的深伪数据集上进行大量实验，我们的方法明显优于其他标准对抗训练防御方法，这进一步证明了我们的方法在保护深伪检测器免受敌对攻击方面的有效性。

    Feb, 2024