本研究提出了一种基于视觉显著性的方法，用于清理受对抗性攻击影响的数据。该模型利用对抗性图像的显著区域提供有针对性的对策，并在相对减少清理后图像的损失的同时，通过评估各种指标的准确性来证明它的有效性。

Mar, 2020

本文提出了一种新的针对 FCN-based 显著对象检测模型的对抗攻击防御框架，其采用一些新的通用噪声来破坏对抗扰动，然后学习使用引入的噪声预测输入图像的显著性地图。实验结果表明我们的提出的方法显著地提高了一系列数据集上最先进模型的性能。

May, 2019

本文提出了对抗 CoSOD 攻击的一种新方法，即黑盒联合对抗曝光和噪声攻击（Jadena），旨在使用新的高特征级别的对比敏感损失函数来处理网上共享的大量个人照片中面临的隐私和安全问题，并用于评估 CoSOD 方法的鲁棒性。

Sep, 2020

本文研究机器学习算法在遥感应用中的攻击，并在卫星图像分类问题的背景下对对抗样本进行了新的研究，同时考虑了现实世界的实际问题。

May, 2018

本文提出了一种生成通用三维对抗目标的方法，用以干扰自动驾驶系统中激光雷达探测器，这一方法成功率高达 80％，并开展了一些防御研究，旨在建立更安全可靠的自动驾驶系统。

Apr, 2020

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。

Jun, 2023

本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展，提出了一些新观点和实验结果。

Apr, 2019

本文旨在综述目前关于点云分类中的对抗攻击和防御技术的进展，包括对对抗攻击的原理和特点、最近几年的对抗攻击示例生成方法的总结和分析以及防御策略的分类（包括输入变换、数据优化和深度模型修改）。最后，本文阐述了这一领域中几个具有挑战性的问题和未来的研究方向。

Jul, 2023

该论文提出了一种利用对立信息来增强视觉显著目标检测和迷彩目标检测能力的新模式，实现了基于对立性空间的性质模块的相似度测量和网络置信度估计。

Apr, 2021

本文介绍了一种基于对抗神经网络（Adversarial Neural Network）的 Robust Detector，采用了 Adversarial Image Discriminator 和 Consistent Features with Reconstruction 等方法，大大提高了在 PASCAL VOC 和 MS-COCO 数据集上物体检测模型在对抗干扰下的鲁棒性。

Jul, 2022