图像检索技术综述:数据增强与对抗学习方法
本文针对深度学习在实例级图像检索方面表现不佳的问题,提出了基于大规模嘈杂地标数据集的清洗方法、改进的R-MAC描述符、基于三元组损失的孪生网络,并在Oxford 5k、Paris 6k和Holidays数据集上,分别报告了94.7,96.6和94.8的平均精度,并通过产品量化处理可以实现图像表示的高度压缩。
Oct, 2016
本文研究数据增强在图像分类中的应用,对比了多种增强技术,包括传统的裁剪、旋转和翻转以及使用GAN生成不同风格的图像,并提出了一种名为神经增强的方法,通过训练神经网络自学习增强,以提升分类器性能,对该方法在不同数据集上表现的优劣进行了讨论。
Dec, 2017
本研究提出了一种检索增强的卷积网络,采用局部混合(local mixup)训练,旨在缓解异常对抗示例的影响,并改善拟合问题。在 CIFAR-10、SVHN 和 ImageNet 数据集上,通过对比实验证明所提出的方法在提高鲁棒性方面更好。
Feb, 2018
首次尝试以攻击图像检索系统为目标,利用新的方法生成反检索通用对抗扰动,通过降低相关的排名度量来打破图像特征之间的邻域关系。我们的方法通过多尺度随机调整大小的方案和排名蒸馏策略扩展攻击方法,并在四个广泛使用的图像检索数据集上进行了评估。在不同度量方面,如mAP和mP @ 10等,报告了显着的性能下降。最后,我们在实际的视觉搜索引擎Google Images上测试了我们的攻击方法,证明了我们的方法的实际潜力。
Dec, 2018
该论文分析了针对基于神经网络、局部和全局特征的基于内容图像检索的对抗查询。作者引入了一种创新的神经网络图像扰动方法,称为图像检索错误的扰动(PIRE),能够阻止基于神经特征的CBIR检索。作者的实验分析证明了PIRE的惊人有效性,并比较了PIRE与以前的关键点去除和注入方法。最后,作者讨论了未来多媒体研究人员在对抗查询研究中面临的挑战。
Jan, 2019
本文介绍了一种使用生成对抗网络的无监督对抗攻击方法,旨在针对基于深度特征的图像检索系统形成对抗查询,通过在有纹理的区域加入微小扰动使得攻击者的图像查询与原始查询相似度降低。
Jul, 2019
本文提出了一种名为产品量化对抗生成(PQ-AG)的方法,在处理大规模数据集时更高效,但存在输入小细微扰动的漏洞,实验表明该方法能成功创建这种扰动,并显著降低白盒和黑盒环境下的检索性能。
Feb, 2020
本文介绍了深度学习算法在计算机视觉任务中的性能表现,以及数据增强技术对应对过拟合问题的应用。在这篇文章中,我们提供了数据增强技术的背景知识和综述,通过对现有的数据增强技术进行分类和比较,从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果,得出结论可以显著提升图像分类、目标检测和语义分割的性能,我们提供了代码用于结果复现,并探讨了该领域未来的研究方向与挑战。
Jan, 2023
本文提出了一种高效无监督的方案,通过设计三个标准以限制敌对空间,从而在深度哈希算法供应链的漏洞下识别出混淆攻击,并在实时图像查询中获得2-23%的检测率提高。
Apr, 2023
介绍了在视觉检索系统中,从传统模型更新到新模型需要重新计算所有图片嵌入,所以引入兼容性训练(BCT)的方法,并提出了Adversarial Backward-Compatible Training(AdvBCT)方法进行对比实验,表明其在兼容性和辨别性方面均优于其他BCT方法。
May, 2023