WSAM: 从样式增强中产生的视觉解释作为对抗性攻击器及其在图像分类中的影响

Aug, 2023

WSAM: 从样式增强中产生的视觉解释作为对抗性攻击器及其在图像分类中的影响

WSAM: Visual Explanations from Style Augmentation as Adversarial Attacker and Their Influence in Image Classification

Felipe Moreno-Vera, Edgar Medina, Jorge Poco

TL;DR本文提出了一种使用基于随机采样和噪音添加的样式增强算法，以改善一般线性变换的样式转移中的随机性，通过我们的增强策略，所有模型不仅在图像风格化方面表现出极高的鲁棒性，而且在 STL-10 数据集上超越了所有先前方法并超过了最先进的性能。同时，我们对模型在不同样式变化下的解释进行了分析，并比较了在训练设置中应用于深度神经架构时的性能的全面实验。

Abstract

Currently, style augmentation is capturing attention due to convolutional neural networks (CNN) being strongly biased toward recognizing textures rather than shapes. Most existing styling methods either perform a low-fidelity style transfer or a weak style representation in the embeddi

style augmentation convolutional neural networks style transfer randomization deep neural architectures

发现论文，激发创造

样式增强：通过样式随机化进行数据增强

本文提出了一种基于随机样式转换的数据增广方法，即样式增广，以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间，通过从多元正态分布中采样输入样式嵌入，将任意样式转换网络调整为执行样式随机化，以随机化纹理、对比度和颜色，同时保留形状和语义内容，并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证，证明本文提出的技术方法能够提高模型的泛化能力。

Sep, 2018

STaDA: 基于样式迁移的数据增强方法

本研究评估了采用神经风格转换作为数据增强方法对图像分类任务的有效性，并在 Caltech 101 和 Caltech 256 数据集上获得了大约 2％的准确度提高。同时，还将神经风格转换方法与传统数据增强方法相结合，进一步提高了图像分类的性能。这项工作展示了神经风格转换在计算机视觉领域的潜力，例如帮助我们减轻收集足够标记数据的难度并提高通用基于图像的深度学习算法的性能。

Sep, 2019

对抗样式增强用于领域泛化城市场景分割

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

SASSL: 通过神经风格迁移增强自监督学习

基于神经风格迁移的 SASSL 方法通过将图像的语义属性和风格属性分离，并仅对风格进行转换，生成更多样化的增强样本，从而显著改善自监督表示学习的结果。实验证明该方法在 ImageNet 数据集上相对于 MoCo v2 能够提高超过 2% 的 top-1 分类性能，并且在五个不同的数据集上的迁移学习也有显著的改善，提高了高达 3.75%。

Dec, 2023

提高恶意示例的可转移性：任意风格转移

通过使用不同域中的数据增强，我们提出了一种名为 Style Transfer Method（STM）的新的攻击方法，利用提出的任意风格转换网络将图像转换为不同的域，从而显著提高了对抗性可转移性。

Aug, 2023

基于特征空间的对抗攻击

本文提出了一种新的对抗攻击方法，通过扰动表示样式的抽象特征，包括可解释和不可解释的风格，诸如鲜艳色彩和锐利轮廓等，通过优化程序注入难以察觉的风格变化，实现深度神经网络模型误分类，我们展示了该方法产生的对抗样本比现有的非受限制攻击更加自然，并支持现有的像素空间的对抗攻击检测和防御技术难以在风格相关特征空间中保证模型的鲁棒性。

Apr, 2020

通过对比学习增强领域任意图像风格转移

本文提出一种使用深度对比学习的方法，通过学习图像特征来获得图像的样式表示，并使用生成网络进行样式转移。研究表明，相对于现有的基于二阶统计量的方法，这种方法能够更加有效地获取图像的样式信息并生成更好的结果。

May, 2022

自监督学习与数据扩充可证明地隔离内容与样式

该研究针对自我监督表示学习中的数据增强方法进行理论分析，将数据增强通过构建潜变量模型实现，同时研究其在潜空间的统计和因果依赖关系，提出作者的理论和实验发现对于保留数据的不变性有较好的效果。

Jun, 2021

基于风格迁移的图像合成作为深度学习中有效的正则化技术

本文探讨了深度学习在图像分析和分类方面的弱点，提出利用基于神经风格转换的数据增强方法以提高数据集的泛化能力，并通过应用于皮肤病分类案例验证了其潜力。

May, 2019

基于纹理合成的风格迁移

本文提出了一种新的图像风格转移算法，结合了纹理合成算法和卷积神经网络，通过保持选定区域的内容不变，同时在其他区域产生幻觉和丰富的风格，得到视觉上令人愉悦和多样化的结果，与最近的卷积神经网络风格转移算法相当竞争，且速度快、灵活性强。

Sep, 2016