Sep, 2023

用于相机运动扰动下的认证鲁棒性的像素级平滑化

PDF
TL;DR通过在 2D 像素空间上使用平滑分布，而不是在 3D 物理空间中进行采样，增强了鲁棒性认证的效率，并在融合车辆运动空间的均匀分区技术的基础上，实现了对 3D-2D 投影转换的鲁棒性认证。
computer visionautonomous drivingdeep learningrobustness certificationcamera motion perturbations
发现论文，激发创造
  • 高效的空间鲁棒性认证

    本研究提出了一种新的凸松弛方法，用于评估计算机视觉模型对于向量场攻击的鲁棒性，该方法可以为广泛的神经网络验证工具提供证明，实验证明该方法具有较高的效率和可扩展性。

    Sep, 2020

  • 点云模型的鲁棒性认证

    本研究介绍了第一个能够认证点云模型鲁棒性的验证器 3DCertify，通过对旋转、扭曲等多种 3D 变换进行广泛的评估，证明了其有效性。

    Mar, 2021

  • GSmooth: 通过广义随机光滑化证明对抗语义转换的鲁棒性

    本研究提出了广义随机平滑（GSmooth）理论框架及算法，通过新的维度扩增策略，可证明机器学习系统对普遍的语义转换是有稳健性的，采用基准测试的方法得到的结果显示了我们的方法非常有效。

    Jun, 2022

  • 投影随机平滑实现认证对抗鲁棒性

    通过在低维投影空间中执行随机平滑，我们能够表征在高维输入空间中的平滑复合分类器的认证区域并证明其体积的可行下界。我们在 CIFAR-10 和 SVHN 上进行了实验证明分类器在没有初始投影时容易受到正常与数据流形法线相交的扰动，并且这些扰动被我们的方法的认证区域捕捉到。我们将我们认证区域的体积与各种基准进行比较，并证明我们的方法在数量级上优于现有技术。

    Sep, 2023

  • 一般的 Lipschitz：通过转换依赖随机平滑实现可解决语义转换的认证鲁棒性

    提出了一种新的框架，称为 “General Lipschitz（GL）”，用于基于随机平滑的神经网络分类器的可证明鲁棒性，以对抗可组合的解决的语义扰动。在该框架内，分析了平滑分类器相对于参数变换的依赖性和对应的鲁棒性证书，与 ImageNet 数据集上的最先进方法相比，性能相当。

    Aug, 2023

  • 集体鲁棒认证的本地随机平滑

    本文提出了一种基于新型局部化随机平滑方法的更普遍的模型合集鲁棒性认证方法，并在图像分割和节点分类任务上得到更高的准确性和更强的认证。

    Oct, 2022

  • 先验知识与动态稳健视频去模糊

    该研究提出了一种 PRiOr 启发的、适用于具有挑战性的模糊的 MOTION-robust 视频去模糊模型 (PROMOTION), 其中使用 3D 群卷积来有效编码异质先验信息，增强场景感知，同时减少输出的伪影，并设计表示模糊分布的先验，以更好地在时空域中处理非均匀模糊。经过大量实验证明，该方法可以在 RED 和 GoPro 数据集上实现最先进的性能，并带来机器任务收益。

    Mar, 2020

  • PointCert: 具有确定性认证鲁棒性保证的点云分类

    该研究针对点云分类中的对抗攻击问题，提出了一个名为 PointCert 的通用框架，可将任何分类器变成可以抗击对抗点云攻击的验证型分类器，证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。

    Mar, 2023

  • 认证的免费对抗鲁棒性

    本文介绍了一个基于离线预训练模型，通过组合去噪扩散概率模型和高性能分类器等手段实现了对于 2 - 范数边界扰动的认证敌对鲁棒性，并在 ImageNet 数据集上得到了 71% 的分类准确率，显著优于之前的相关研究。

    Jun, 2022

  • 通过扩散模型实现更好的认证分割

    本文介绍了一种结合随机平滑和扩散模型的方法，用于认证图像分割预测结果，实现更高的鲁棒性。实验结果表明，该方法平均提高了 21 个百分点的准确度

    Jun, 2023