- ACL穿越黑暗：揭示现代 AI 内容检测器的有效干扰
利用机器学习模型对文章进行自动生成的大语言模型，在知识产权保护、个人隐私和学术诚信方面引发了关注。AI 文本检测系统目前存在鲁棒性不足和难以有效区分扰动文本的问题。本研究通过模拟真实场景，评估当前检测模型在实际应用中的性能，并构建了 12 - 基于深度学习和神经架构搜索的水果分类系统
通过对水果的视觉特征进行分析和分类，可以使用各种方法来识别水果，包括手动检查、传统的计算机视觉方法以及使用机器学习和深度学习的复杂方法。本研究鉴定了总共 15 个水果类别，并提出了一个新的模型，与之前的研究相比，其检测性能有了显著提高。
- CVPR利用学习背景提示来发现开放词汇对象检测的隐含知识
提出了一种新颖的开放式词汇目标检测（OVD）框架，通过学习背景提示来增强检测性能，涉及背景解释、模型过拟合和检测性能等方面的问题。在 OV-COCO 和 OV-LVIS 两个基准数据集上的评估结果表明，我们提出的方法在处理 OVD 任务时优 - 深度正未标注异常检测污染未标注数据
通过使用正样本 - 无标签学习和自动编码器等异常检测器，我们提出了一种正样本 - 无标签自动编码器，通过使用无标签数据和异常数据，我们可以近似正常数据的异常得分，从而能够在没有标记正常数据的情况下训练异常检测器来最小化正常数据的异常得分并最 - BG-YOLO：一种海底目标检测的双向引导方法
提出了一种命名为 BG-YOLO 的水下目标检测的双向引导方法，通过构建增强分支和检测分支以及特征引导模块，该方法在显著改善严重降质的水下场景中的检测器性能的同时保持了出色的检测速度。
- 无需训练的自信度聚合增益对开放词汇物体检测的改进
研究着重探讨开放词汇对象检测 (OVOD) 中的问题，包括对新类别的检测性能不佳以及候选区域和对象分类阶段的局限性，并提出了一种后处理方案（AggDet），通过两种先进的衡量方法来调整信心分数和恢复误判的对象，并在 OV-COCO 和 OV - MM走向鲁棒的域生成算法分类
该研究综合探讨了域生成算法（DGA）分类器的鲁棒性，提出了一种基于对抗潜在空间向量和离散化对抗域的新的训练方案，大幅度提高了鲁棒性，并发现了可利用的训练偏差和规避困境。研究结果显示，在鲁棒性和性能之间不存在任何权衡，相反，硬化可以提高分类器 - 关于异常检测的测试时间训练
通过测试时训练方法，我们引入 DOUST 来显著提高异常检测的检测性能，并且在对常见基准数据集进行全面评估后，我们讨论了一个常见问题，并表明该问题在足够大的测试集下会消失。因此，我们得出结论，在合理的条件下，即使没有提供标记的异常值，我们的 - AI 产生的图像、视频、音频和音视频刺激的人类检测与抛硬币一样好
合成媒体对人类日常生活具有很高的欺骗性，人类的感知检测能力不再是有效的对抗手段。
- 遥感图像中基于显著对比学习的少样本目标检测
通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块 - 遗失于重叠中：探索 LLMs 中的水印碰撞
该研究聚焦于大型语言模型中的水印碰撞问题，证明水印碰撞对上游和下游水印算法的检测性能构成威胁。
- ICLR通过多群体感知优化的最大均值差异检测机器生成的文本
利用最大均值差异（MMD）来检测生成文本中的多个文本人口，提高测量分布差异的稳定性。
- STF：时空融合模块提升视频目标检测
通过利用视频中连续帧的冗余和相关的互补信息，我们提出了一个时空融合框架，其中包括多帧和单帧关注模块，以及可学习地合并特征图以改进物体检测性能的双帧融合模块。实验证明，该融合模块相比基线物体检测器能够提高检测性能。
- DE-COP：检测语言模型训练数据中的版权内容
我们提出了 DE-COP 方法，通过向语言模型提出包含直接引文和释义的多项选择题，来确定受版权保护的内容是否包含在训练中。我们构建了 BookTection 基准测试集，其中包含了 165 本在模型训练截止日期之前和之后出版的书籍摘录及其释 - 学习从噪声标注中检测遥感图像中的云和雪
通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法，本文首次考虑标签噪声对遥感图像中云和雪的检测的影响，并验证了所提出方法的有效性。
- Shape-IoU：更准确的考虑边界框形状和尺度的度量标准
提出了一种关注边界框自身的形状和大小的边界框回归方法，通过 Shape IoU 方法计算损失，有效改进了检测性能，并在不同的检测任务中表现出色。
- 跨 1000 帧的 10 亿参数端到端时序动作检测
通过降低训练内存消耗，本研究提出了一种新颖的轻量级模块 —— 时间信息适配器（TIA），有效地增加了时间动作检测（TAD）系统的规模和输入视频的帧数，从而显著提高了检测性能。
- 超越检测：揭示滥用语言模型中的公平性漏洞
本研究调查了对滥用语言检测中公平性和检测性能的潜在破坏力。在一个动态而复杂的数字世界中，探索这些检测模型对敌对公平性攻击的脆弱性，以提高它们的公平性鲁棒性至关重要。我们提出了一个简单而有效的框架 FABLE，利用后门攻击，因为它们允许对公平 - 指导提示的差异对任务导向约束下的 LLM 生成文本的影响
为了防止对大型语言模型（例如，剽窃或传播虚假信息）的误用，许多最新研究提出了具有良好检测性能的 LLM 生成文本检测器。然而，我们发现即使在指令中包含了任务约束，也可能导致当前检测器对生成的文本的性能不一致。通过以学生作文写作为实际领域，对 - 深度文本伪造检测的图像生成和学习策略
近年来，文件处理蓬勃发展并带来了众多好处。然而，被报告的伪造文件图像案例显著增加。特别是深度神经网络（DNN）在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN