测量再识别风险
本文提出了隐私敌对框架以消除推荐系统中计算的用户向量可能泄漏的私人信息,并研究了隐私和推荐性能之间的权衡,同时保证了结果的公平性。
Jul, 2018
本文使用学习到的失误排名公式对当前表现最佳的人物重新识别模型的不安全性进行检验,提出了一种借助多阶段网络体系结构的反向盒子攻击方法,研究人员在四大重新识别基准上进行了广泛的实验。
Apr, 2020
这篇论文研究了针对现实世界中物体再识别(ReID)算法的嵌入式压缩技术,通过量化感知训练和三种不同的降维方法(迭代结构化剪枝、初始化时对嵌入进行切片以及使用低秩嵌入)进行了压缩性能评估,发现嵌入可以压缩高达 96 倍,且性能下降较小,这意味着现代再识别方法并没有充分利用高维潜在空间,为进一步提升系统能力开辟了新的研究方向。
May, 2024
本文提出了一种基于 Identity Regression Space 的方法,通过增量学习和快速更新模型,使得人员再识别方法具有更好的可扩展性和适应性,并通过实验验证在多个数据集上表现优秀 。
Jun, 2018
本文提出了一种有效的结构化学习方法来解决个人重新识别问题,在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征,并制定了两种优化算法,直接优化常用于个人重新识别的评估措施,也称为累积匹配特性(CMC)曲线,并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统,可优于大多数现有算法。更重要的是,我们将基准测试的 rank-1 识别率从 40%提高到 50%、从 16%提高到 18%、从 43%提高到 46%、从 34%提高到 53%、从 21%提高到 62%。
Mar, 2015
这篇论文对于人员再识别技术进行了全面的评估和表现评估,并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库,使用 17 个不同的数据集进行了评估,旨在为这个领域提供公开、准确、全面的基准。
May, 2016
通过提出 Adversarial Metric Attack,本研究试图在 Person re-identification 中弥合分类训练和度量分析的差距,发现现有的距离度量方法对于人眼无法察觉的对抗样本十分脆弱,因此在应用于视频监控等领域时需要注意安全性,同时提出训练度量网络以抵御对抗攻击并推进度量学科对抗攻防技术的发展。
Jan, 2019
本文评估了近期从 2017 年 9 月到 12 月收集的基于概率构建的数字身份数据对类似目标广告的影响,研究了由小型 cookie 和移动广告标识符构成的大规模身份集合,通过离线策略技术评估了身份助力类似目标的潜力,证明了相对于基准方案的身份助力效果高达 70%的提升,对广告营销具有指导意义。
Jan, 2019
人物再识别(Re-ID)领域受到了深度神经网络的广泛关注,特别是图像分类。本文的焦点在于对 Re-ID 系统进行的对抗攻击,其可能对系统性能构成严重威胁。我们尝试对两种热门 Re-ID 模型(IDE(ResNet-50)和 AlignedReID)应用了两种类型的对抗攻击(P-FGSM 和 Deep Mis-Ranking),并在三个数据集上进行了实验,最佳结果在 Applied to CUHK03 的 AlignedReID 上展示了 Rank-10 度量指标下 3.36% 的降低。我们还尝试通过在推断过程中使用 Dropout 作为一种防御方法。
Sep, 2023