ICCVNov, 2023

基于熟悉度的对抗攻击下的开放集识别

PDF
TL;DR打开集识别是将分类模型应用于现实世界应用中时的一个关键组成部分，最近的研究表明，基于熟悉度的评分规则（如最大软最大概率和最大逻辑分数）在封闭集准确度较高时是强大的基准。然而，基于熟悉度的开放集识别存在对抗攻击的潜在弱点。本文介绍了基于梯度的对抗攻击方法对熟悉度评分进行攻击，分别针对虚假熟悉性和虚假新颖性攻击，并在 TinyImageNet 上评估了它们在知情和不知情环境中的有效性。
open-set recognitionfamiliarity-based scoring rulesadversarial attacksgradient-based attackstinyimagenet
发现论文，激发创造
  • 适用于开放集识别的对抗性互补点学习

    通过提出 Adversarial Reciprocal Point Learning 框架，从多类整合的角度来解决开放空间风险，通过 extra-class 空间和互补点等概念来建模未知类别，给出对抗性边界约束和实例增强方法，从而能够有效提升模型对未知类别的判别能力。

    Mar, 2021

  • 开放集合识别综述

    本文是一篇 Open Set Recognition 领域的综述性研究，介绍了现有的开放集识别模型、它们的优劣以及该领域的最新进展，分析了 OSR 与多类别分类和新颖性检测的关系，得出该领域可以有效地处理现实世界中未知的情况结论，并提出了新的研究方向和应用场景。

    Aug, 2021

  • 通过开放集识别和未知样本检测的进展实现知情决策

    机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。

    May, 2024

  • 开放集图像识别综述

    本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

    Dec, 2023

  • 更好地了解自己：多样的判别特征学习改善开放式识别

    我们通过对开放集识别方法进行分析，重点关注特征多样性方面，揭示了学习多样化辨别特征与提升开放集识别性能之间的显著相关性，并基于此洞见提出了一种利用特征多样性优势的新型开放集识别方法，通过在标准的开放集识别测试平台上进行严格评估，证明我们的方法大幅优于现有方法。

    Apr, 2024

  • 开放集图像分类技术的大规模评估

    分类的目标是将未知样本正确地分配标签。开放式分类（OSC）算法旨在最大化封闭式和开放式识别能力。本文全面比较了各种 OSC 算法，包括基于训练的方法和后处理方法，充分评估它们在模拟真实世界问题中的性能，结果显示 EOS 有助于改善几乎所有后处理算法的性能。

    Jun, 2024

  • 开放集合识别的最新进展：综述

    本文综述了现有的开放集识别技术，包括相关定义、模型表示、数据集、评估标准和算法比较，在此基础上简要分析了其与零样本学习、有样学习、分类拒绝等相关任务的关系，并指出现有方法的局限性，并指出一些有前途的研究方向。

    Nov, 2018

  • 通过背景类别正则化实现准确的开放式识别

    本研究提出在标准分类器结构中使用基于距离的分类器，通过背景类正则化策略来增强开放集识别的鲁棒性，从而避免了复杂的离线分析和网络设计，同时保持高准确性的闭集分类。

    Jul, 2022

  • 最大熵和物体球损失的开放集人脸识别

    通过引入一个紧凑的适配器网络，该研究采用预训练的深度神经网络作为特征提取器，并在开放集协议下，在增加负样本熵和专门化图库的同时，取得了在三个不同数据集（LFW，IJB-C 和 UCCS）上有希望的成果，以及当额外的负样本数据被合理选择用于微调适配器网络时，达到了最先进的性能。

    Nov, 2023

  • 基于纯净 - 对抗相互学习的开放性对抗性防御

    本文提出了一种双关注特征去噪网络 (OSDN-CAML) 来解决开放式对抗防御 (OSAD) 问题，该网络通过自监督和对抗学习实现了对图像中的对抗噪声的自适应去除，并且引入了清洁 - 对抗互补学习方法以增强开放式识别的鲁棒性。

    Feb, 2022