Mar, 2024

针对恶劣可视条件下跨领域目标检测的对抗防御教师

HTML
PDF
TL;DR现有的目标检测器在处理训练和真实世界数据之间的领域转变方面面临挑战，尤其是在雾天和夜晚等低能见度条件下。我们提出了一种名为Adversarial Defense Teacher（ADT）的简单而有效的框架，通过利用对抗性防御来提高教学质量，并通过Zoom-in Zoom-out策略解决低能见度条件下的小目标问题。我们的结果表明，ADT在Foggy Cityscapes上达到了54.5％的mAP，超过了先前的最先进技术2.6％的mAP。
发现论文，激发创造
  • 无限制物体检测的多重对抗 Faster-RCNN

    本文提出了一种多级对抗 Faster-RCNN（MAF）框架，用于在非受限环境中利用从具有足够标签的辅助源域训练的领域知识检测对象，其中包括多个对抗域分类器亚模块、信息不变的尺度降低模块（SRM）以及加权梯度翻转层（WGRL）等，实验结果表明，MAF在Cityscapes，KITTI，Sim10k等非受限任务中的表现优于现有检测器。

    Jul, 2019

  • 物体检测中空间上下文对对抗鲁棒性的作用

    本文主要研究利用空间上下文的快速目标检测算法，存在针对其进行针对性攻击的问题，并提出了限制空间上下文训练的解决方案。

    Sep, 2019

  • 制作隐形斗篷：对物体检测器的现实世界对抗攻击

    本文系统研究了对最先进目标检测框架的对抗攻击，证明了其有效性，在不同环境下针对多种检测模型具有广泛的适应性，同时研究了使用印刷海报和可穿戴衣服进行的物理攻击，并用不同的度量方法对这些攻击的性能进行详细的分析。

    Oct, 2019

  • 基于无偏均衡学习的跨领域目标检测方法

    本研究提出了一种新的UMT模型，通过消除教师模型的偏差、使用像素级别的自适应增强训练样本、以及采用基于分布的估算策略来选择最适合当前模型的样本，从而消除了跨域识别中常见的模型偏差，并取得了显著的性能提升。

    Mar, 2020

  • 物体隐藏器: 面向物体检测器的对抗性贴片攻击

    该研究关注深度神经网络的安全性问题，着重研究针对目标检测算法的对抗攻击方法，通过生成特定的对抗补丁实现攻击，提出的两种算法均可有效地、通用地攻击最新的目标检测模型。此外，参加了阿里巴巴的天池对抗挑战，并在1701对抗团队中获得了前七名。

    Oct, 2020

  • 物体检测中的类别感知鲁棒性对抗训练

    本文提出一种新颖的、针对目标检测任务的类感知鲁棒性对抗训练范式，旨在提高目标检测模型的鲁棒性，并通过广泛实验验证了该方法的有效性。

    Mar, 2021

  • 跨域适应目标检测教师

    我们提出了自适应教师（AT）框架来解决使用教师-学生框架进行目标检测的半监督学习中由于域差异而产生的问题，AT利用领域对抗学习和弱-强数据增强来缓解这一问题。

    Nov, 2021

  • 面向通用可控的目标检测攻击

    我们提出了一种通用的白盒攻击方法LG P（局部扰动与自适应全局攻击），用可控的扰动欺骗主流物体检测器，通过追踪高质量的候选框并同时优化三个异构损失，成功攻击了16种最先进的物体检测器，并在MS-COCO和DOTA数据集上取得了有希望的不可察觉性和可迁移性。

    Jul, 2023

  • 目标检测中的对抗攻击调查与评估

    本研究针对目标检测领域中对抗样本的脆弱性这一问题进行了深入的调查与评估，填补了现有文献中的空白。论文提出了一种全面的对抗攻击分类法，并系统评估了现有的攻击方法与模型的鲁棒性，为提高目标检测系统的安全性提供了关键见解和研究挑战。

    Aug, 2024

  • 对抗攻击教师法的无监督领域自适应目标检测

    本研究针对目标检测中的领域转移问题，提出了一种名为对抗攻击教师法（AAT）的新框架，旨在提高伪标签的质量。通过对教师模型施加对抗攻击，生成更可靠的伪标签，显著改善了伪标签的偏差和有限自信性，最终在多个数据集上实现了优异的性能，达到Clipart1k数据集的52.6 mAP，领先之前的最先进水平6.7%。

    Aug, 2024