攻击感知相似度度量
通过引入感知度量标准,提出一种新的对抗攻击威胁模型,探究不同攻击样式之间的融合以及在此基础上进行对抗训练,从而实现在保持感知扭曲度不变的情况下取得更高的误分类率。
Feb, 2019
通过对抗训练的深层特征,我们提出了一种新的强鲁棒学习感知图像块相似度(R-LPIPS)度量,通过全面的实验,我们证明了 R-LPIPS 相比于经典的 LPIPS 度量的优越性。
Jul, 2023
本文研究了存在偏差误差的图像对于现有视觉相似度测量标准的影响,并且开发了一种可以容忍图像偏移误差的相似度测量标准。通过探究神经网络元素的不同,本文开发了一种新型深度神经网络基础的视觉相似度测量标准,实验结果表明其能够容忍难以感知的偏移误差,同时与人类相似度判断一致。
Jul, 2022
本文研究了卷积神经网络的隐藏变量作为感知相似度度量的有效性,发现自学习的感知相似度度量(LPIPS)容易受到对抗样本的攻击,但无限家族随机变换的自增强技术可以使度量鲁棒性提高,同时保持对人类判断的预测能力,并发现自增强度量空间中的 “感知凸性” 现象,即相似图像的凸组合保留外观,离散测地线产生有意义的帧插值和纹理变形。
Jun, 2019
提出一种基于永续度量的方法,通过创造高度扭曲网络特征空间的攻击来达到高度通用的敌对样本,旨在打破相对有限的目前攻击的限制,并可将其通过多个网络扩展到多个任务。
Nov, 2018
本文研究深度神经网络中的对抗样本问题,提出了一种新的扰动方法:利用空间变换生成对抗性样本以增强样本的感知逼真度,证明这种方法在现有防御系统方面更加具有挑战性,并通过可视化技术研究神经网络对不同类型对抗样本的感知。
Jan, 2018
该研究论文通过对基于 ViT 的特征提取器集合的先进感知相似度度量的鲁棒性进行敏感性分析,提出了名为 LipSim(Lipschitz 相似度度量)的可靠感知相似度度量方法,并通过一系列实验证明了 LipSim 在自然分数、认证分数和图像检索应用方面的性能。
Oct, 2023
该论文提出了一种在多标签学习中能够同时迷惑视觉感知和规避度量监测的对抗性攻击方法,并通过对大规模基准数据集的实验表明其优越性。
Jul, 2023