Jun, 2024

UNICAD：统一的攻击检测、降噪和新类别识别方法

PDF
TL;DR提出了 UNICAD 作为一种新颖的框架，通过集成多种技术提供了适应性解决方案，该框架能够实现准确的图像分类、检测未知类别和从对抗性攻击中复原，并且在对抗性缓解和未知类别分类方面表现优于传统模型。
deep neural networksadversarial attacksunseen classesunicadimage classification
发现论文，激发创造
  • CD-UAP：类别判别通用对抗扰动

    提出了一种新的通用攻击方法 CD-UAP, 可以生成一个唯一的通用扰动，以欺骗目标网络，使其错误分类只选定的类组，而对其余类组影响有限。通过基于各种损失函数配置的算法框架来设计并比较，其在各种基准数据集上进行了广泛的实验，获得了最先进的性能。

    Oct, 2020

  • 基于类别不可知分布对齐的绝对统一多类别异常检测

    本文提出了一种用于多类异常检测的无类别信息的绝对统一的方法，通过类别不可用的条件下，利用 Class-Agnostic Distribution Alignment (CADA) 对于不同类别的异常分数分布进行匹配，实现了统一检测方法， 在 MVTec AD 和 VisA 等 UAD 基准数据集上超过了之前的最先进方法。

    Mar, 2024

  • CAAD 2018: 迭代性集成对抗攻击

    本文提出了一种针对图像分类器集合的迭代式对抗攻击方法，通过此方法，在 CAAD 2018 针对性对抗攻击竞赛中获得第五名，该方法提高了黑匣子对抗攻击的成功率。

    Nov, 2018

  • DACAD：领域自适应对比学习多元时间序列中的异常检测

    本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

    Apr, 2024

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • CDAD-Net: 广义类别发现中的领域差距连接

    在跨领域广义类别发现中，CDAD-NET 通过对源域和目标域之间的样本进行同步，强调目标数据的独特分类，并且通过三个度量学习目标的融合来保持共享空间的区分性。在实验中，CDAD-NET 在三个 AD-GCD 基准测试中表现出 8-15％的性能提升。

    Apr, 2024

  • 持续对抗性防御

    提出首个连续性对抗防御（CAD）框架，适应动态场景中的任何攻击，并通过实验证明其对多个现代对抗攻击的有效性和对 10 个基线方法的显著改进。

    Dec, 2023

  • 检测来自伪像的对抗性样本

    本文介绍了一种利用深度学习神经网络中 Bayesian 不确定性估计和密度估计的方法，可以实现对于对抗样本的检测，具有很好的泛化性能，并在标准分类任务上取得了 85-93% 的 ROC-AUC 表现。

    Mar, 2017

  • 新类别发现的统一目标

    本文旨在研究通过使用已标记类别的先前知识来推断未标记集合中的新物体类别的新类发现问题。我们引入了一个称为 UNO 的统一目标函数，以利用多视角自标记策略生成伪标签以了解已知和未知类别，从而克服了现有方法中的问题，并在几个基准测试中显着优于现有技术。

    Aug, 2021

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023