Jun, 2023

遥感图像分类和目标检测的鲁棒性综合研究：调查和基准评估

PDF
TL;DR该研究是对遥感影像分类和物体检测模型的鲁棒性进行综合研究和基准评估，并提供了数据集资源，通过对不同分类器和探测器的严格评估，找到了关于敌对噪声制备和模型训练的深入认识，并为开发更具弹性和鲁棒性的模型提供指导。
deep neural networksremote sensing imageryrobustnessadversarial noisemodel training
发现论文，激发创造
  • 图像识别中神经网络稳健性评估综述

    近年来，对神经网络的稳健性评估引起了极大关注，深度学习的稳健性问题特别突出，研究人员致力于在图像识别任务中评估稳健性，在此综述中，我们对神经网络评估中敌对稳健性和扰动稳健性进行了详细研究，分析当前研究和标准，提供了图像识别中稳健性评估的广泛概述，分析了概念、度量标准和评估方法，研究了用于度量图像扰动程度的扰动度量和范围表示，以及特定于分类模型稳健性条件的稳健度量，还讨论了现有方法的优势和局限性，并提供了一些未来研究的潜在方向。

    Apr, 2024

  • 对抗鲁棒性基准测试

    本研究旨在建立一个全面、严谨、连贯的标准来评估对抗性鲁棒性，通过两个鲁棒性曲线作为公正的评估标准来进行大规模实验，全面掌握攻击与防御方法的表现并得出重要结论和未来研究的启示。

    Dec, 2019

  • 基于预训练去噪扩散模型的遥感通用对抗防御

    利用预训练扩散模型进行通用对抗防御，净化遥感数据中的对抗干扰，不需要事先了解对抗干扰性质，提高性能并减少重新训练的工作量。

    Jul, 2023

  • 图像分类器的鲁棒性和不变性属性

    本文研究了深度神经网络在噪声环境中的鲁棒性和不变性，提出了快速计算稀疏对抗扰动和数据增强方法，与数据之间的特征联系起来，以实现更可靠的机器学习系统。

    Aug, 2022

  • 朝向对抗鲁棒目标检测

    本研究从模型鲁棒性的角度出发，对目标检测模型和对抗攻击进行了系统分析，提出了一种多任务学习的视角和不对称的任务损失，并进一步开发了一种基于多种攻击源提高检测模型鲁棒性的对抗训练方法，实验证明了其有效性。

    Jul, 2019

  • 关于航空图像中目标检测模型的鲁棒性

    在本文中，我们针对受云层影响的航拍图像，提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验，我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的稳健性。我们提出的基准测试和全面的实验分析有助于促进航拍图像中稳健目标检测的研究。

    Aug, 2023

  • 遥感深度学习综述：理论、工具和社区面临的挑战

    本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战，并着重讨论深度学习系统的未解决的挑战和机遇，包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。

    Sep, 2017

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • RSI-CB: 基于众包数据的大规模遥感图像分类基准

    使用众包数据，本文基于深度卷积神经网络，构建了一个远程遥感图像分类基准测试集，该基准测试集包含两个子数据集，分别为 256×256 和 128×128 像素大小，用于比较与现有基准测试集在手工特征和经典的深度卷积神经网络模型下的表现。

    May, 2017

  • 人类与深度神经网络的泛化能力

    通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

    Aug, 2018