May, 2023

Attack-SAM: 基于分段模型的对抗性鲁棒性评估

PDF
TL;DRSAM 的基于任务的视觉模型可能会向基础模型方向发展，但是，我们的调查表明，SAM 易受对抗性攻击的影响，尤其是白盒攻击。
segment anything modelcomputer visionadversarial attackswhite-box attacksfoundation models
发现论文，激发创造
  • 黑盒定向对抗攻击 Segment Anything (SAM)

    该研究旨在对 SAM 进行有针对性的对抗攻击，提出了一种仅攻击图像编码器的简单且有效的方法，并提出了一种新的正则化损失以增强不同模型之间的特征传递性，通过增加对随机自然图像的特征占优势来进行黑盒对抗攻击。

    Oct, 2023

  • ASAM：通过对抗调整提升片段任意建模

    本研究介绍了 ASAM，一种通过敌对调整增强 SAM 性能的新方法，利用稳定性扩散模型增加 SA-1B 数据集子集的敌对实例，展示更真实且与原始标注一致的分割结果，从而在不需要额外数据或架构修改的情况下，显著提高了各种分割任务的表现，为计算机视觉中基础模型的进展做出了贡献。

    May, 2024

  • 关于分割算法的鲁棒性

    该文讨论使用提示依靠快速学习和收集大规模数据进行目标检测的 Segment anything model (SAM) 是否能够在威胁场景下提供可靠性，发现 SAM 对于多种污染具有显着的鲁棒性，但在受到 PGD 和 BIM 攻击时容易受到影响，因此提出了一系列新任务以提高 SAM 的鲁棒性。

    May, 2023

  • 通过后门攻击探索 SAM 的安全漏洞

    本文介绍了 BadSAM，它是第一个对图像分割基础模型进行的后门攻击，实验结果表明，BadSAM 在 CAMO 数据集上取得了良好的效果。

    May, 2023

  • 面向区域级攻击细分任意模型的实用方法

    该研究论文提出了一种更实用的区域级攻击方法，攻击者不需要了解精确的用户提示，通过对图像中目标对象上的任意点进行点击，以隐藏对象并使其不受 Segment Anything Models（SAM）的干扰，同时通过谱变换方法使攻击更具可迁移性，控制实验和对真实世界中的 SAM 服务进行的测试证实了其有效性。

    Apr, 2024

  • 关于 Segment Anything Model (SAM) 鲁棒性的实证研究

    对 Segment Anything Model 模型进行了全面的鲁棒性研究，发现它在面对多种图像扰动时的性能普遍下降，在特定数据集上定制提示技巧和利用领域知识，可以提高模型的弹性和解决数据集特定的挑战，为实际应用提供更健壮和多功能的图像分割解决方案。

    May, 2023

  • SAM-Adapter：在伪装、阴影等场景下适应 SAM 的分割模型

    通过使用简单而有效的适配器将特定领域信息或视觉提示集成到分割网络中，我们的实验表明，SAM-Adapter 可以显着提高 SAM 在具有挑战性的任务中的性能，并且在我们测试的任务中甚至可以胜过专门的网络模型，并达到最先进的性能：伪装目标检测和阴影检测。

    Apr, 2023

  • SAM 的鲁棒性：在干扰和更多领域中拆分任何事物

    本研究对 Segment anything model (SAM) 模型在各种噪声、图像修饰以及逆向攻击等情境中的鲁棒性进行了全面评估，并揭示了其在形状和样式方面的偏向性。

    Jun, 2023

  • 视觉及其它领域分割模型综述

    该研究综述了近年来提出的一种称为 SAM 的基础模型，对其的应用于图像处理的各种任务和数据类型进行了分析和总结，并指出了其优点和局限性，为开发更多功能的基础模型和改善 SAM 架构提供了启示。

    May, 2023

  • 关于区分任何模型（SAM）的调查：视觉基础模型遇见促进工程

    该文通过第一次全面调查介绍了受到重大关注的 Meta AI Research 开发的 Segment anything model（SAM）的性能表现和多种应用情况，并呼吁读者对该模型进行新的研究以促进其进一步发展。

    May, 2023