Apr, 2024

面向区域级攻击细分任意模型的实用方法

PDF
TL;DR该研究论文提出了一种更实用的区域级攻击方法，攻击者不需要了解精确的用户提示，通过对图像中目标对象上的任意点进行点击，以隐藏对象并使其不受 Segment Anything Models（SAM）的干扰，同时通过谱变换方法使攻击更具可迁移性，控制实验和对真实世界中的 SAM 服务进行的测试证实了其有效性。
发现论文，激发创造
  • 黑盒定向对抗攻击 Segment Anything (SAM)

    该研究旨在对 SAM 进行有针对性的对抗攻击，提出了一种仅攻击图像编码器的简单且有效的方法，并提出了一种新的正则化损失以增强不同模型之间的特征传递性，通过增加对随机自然图像的特征占优势来进行黑盒对抗攻击。

    Oct, 2023

  • Attack-SAM: 基于分段模型的对抗性鲁棒性评估

    SAM 的基于任务的视觉模型可能会向基础模型方向发展，但是，我们的调查表明，SAM 易受对抗性攻击的影响，尤其是白盒攻击。

    May, 2023

  • 关于分割算法的鲁棒性

    该文讨论使用提示依靠快速学习和收集大规模数据进行目标检测的 Segment anything model (SAM) 是否能够在威胁场景下提供可靠性，发现 SAM 对于多种污染具有显着的鲁棒性，但在受到 PGD 和 BIM 攻击时容易受到影响，因此提出了一系列新任务以提高 SAM 的鲁棒性。

    May, 2023

  • 非可见光谱影像应用的片段任意模型性能评估与变分提示

    Segment Anything Model (SAM) 通过使用不同的输入提示（如文本、边界框、点或掩膜）生成掩膜，克服了特定数据集稀缺性的约束，评估了 SAM 在 X 射线 / 红外模态中分割感兴趣对象的能力，结果表明 SAM 在给定盒子提示时可以分割 X 射线模态中的对象，但对于点提示而言，表现不稳定，特别是在分割细长物体和有机材料方面，SAM 的性能较差，这表明在考虑在 X 射线 / 红外图像上使用 SAM 时需要特别考虑跨模态泛化的问题。

    Apr, 2024

  • 从空间中分割任何物体？

    研究了针对视觉任务开发的第一个基础模型，称为 Segment Anything Model（SAM）。SAM 可以基于便宜的输入提示，如一个或多个点、边界框或掩码，在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性，并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而，作者还研究了 SAM 在航空图像问题中的表现，他们发现虽然 SAM 在航空图像上通常表现良好，但在某些情况下由于航空图像和目标对象的独特特征而失败。

    Apr, 2023

  • 医学影像分割模型：实验研究

    本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

    Apr, 2023

  • 通过后门攻击探索 SAM 的安全漏洞

    本文介绍了 BadSAM，它是第一个对图像分割基础模型进行的后门攻击，实验结果表明，BadSAM 在 CAMO 数据集上取得了良好的效果。

    May, 2023

  • 探究 SAM 在不同实际应用中的问题：任何东西的分段并不总是完美的

    这篇研究论文讨论了 Segment Anything Model 在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

    Apr, 2023

  • 关于 Segment Anything Model (SAM) 鲁棒性的实证研究

    对 Segment Anything Model 模型进行了全面的鲁棒性研究，发现它在面对多种图像扰动时的性能普遍下降，在特定数据集上定制提示技巧和利用领域知识，可以提高模型的弹性和解决数据集特定的挑战，为实际应用提供更健壮和多功能的图像分割解决方案。

    May, 2023

  • ClickSAM：使用点击提示对超声图像分割进行精调的分割任意模型

    通过使用点击提示符来微调分段任何模型以进行超声图像的分割，ClickSAM 在超声图像分割方面表现出卓越的性能。

    Feb, 2024