- AdaFPP: 面向适应性活动识别的双向传播原型学习
通过学习适应不同尺寸的被遮挡人员的检测器并采用多粒度原型作为假设任务的方式，我们提出了一种名为 AdaFPP 的全新的自适应聚焦双向原型学习框架，用于在全景活动场景中联合识别个体、群体和全局活动。
- CVPR超越深度伪造图像：检测人工智能生成的视频
生成式人工智能的最新进展已经导致了生成视觉逼真合成视频的技术的发展。本文证明合成图像检测器无法检测合成视频，因为合成视频生成器引入的痕迹与图像生成器留下的痕迹明显不同。尽管如此，我们展示了合成视频痕迹是可以学习的，并且可以在 H.264 重 - 基于人工神经网络行为可解释性的逃避攻击的拓扑保障
通过分析神经元的激活信息和目标深度学习模型的拓扑结构，本研究开发了一种新型的逃避攻击检测器，利用图卷积神经网络（GCN）技术来理解目标模型的拓扑结构，取得了较为理想的结果与相关文献中的类似防御方法相比。
- 使用合成多模态虚假信息进行图像文本脱离上下文检测
利用合成数据生成的新方法进行了与虚假信息检测相关的语境外检测研究，通过创建特定于语境外检测的数据集和开发高效的分类器，实验证实了合成数据生成在解决语境外检测中的数据限制方面的有效性，为未来研究和开发健壮的虚假信息检测系统提供了有价值的资源。
- AccessLens：自动检测日常物品的不可访问性
通过使用低成本的 3D 打印增强技术，我们引入了 AccessLens 系统，旨在识别日常物品中无法访问的接口，并推荐 3D 打印增强措施以提高可访问性。我们训练了一个检测器，使用 AccessDB 数据集来自动识别 6 种常见物品类别中的 - OUTFOX：基于情境学习和对抗生成示例的 LLM 生成式文章检测
提出 OUTFOX 框架，通过允许检测器和攻击者考虑彼此的输出来提高 LLM 生成文本检测器的鲁棒性，并将其应用于学生作文领域。
- 通过单个空格逃避 ChatGPT 检测器
ChatGPT 生成的内容与人类生成的内容之间的语义和风格差异不明显，因此我们提出了一种名为 SpaceInfi 的策略以规避当前的 AI 生成内容检测方法。实验证明，这种策略在多个测试中具有很好的效果，并且我们还对基于困惑度的检测的规避方 - KDD通过神经网络输运动力学检测对抗样本
文章提出了一种基于神经网络离散动态系统视角的对抗样本检测器，通过比较输入在神经网络各层上所遵循的离散向量场来判断其是否为异常输入，并表明在训练过程中规则化向量场可以使神经网络更加规则，从而提高对干扰样本的检测性能并改善测试准确率。
- SepMark：用于统一源追踪和 Deepfake 检测的深度可分离水印技术
SepMark 是一种主动防御措施，采用基于编码器 - 解码器的水印嵌入方法，其中包含两个可分离解码器，Tracer 提供高鲁棒性，Detector 则对恶意畸变具有可选择性敏感性，只有 Tracer 和 Detector 组成的 SepM - 基于迁移学习的多对抗检测技术用于网络入侵检测系统的攻击逃避检测
该研究旨在设计一种高效的基于转移学习的对抗检测器，并评估使用多个策略性放置的对抗检测器与单个对抗检测器相比在入侵检测系统中的有效性。通过将它们各自的决策相结合，我们证明结合多个检测器可以进一步提高对抗流量的可检测性。
- 基于图神经网络的 MU-MIMO 检测器
本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架，同时提出了两种基于神经网络的检测器，其中 GEPNet 检测器最大化检测性能，GPICNet 检测器平衡性能和复杂度，仿真结果显示，GEPNet 检测器在各种配置下的性能接 - 基于残留的自然语言对抗攻击检测
本文介绍了如何将图像设计的策略移植到自然语言处理（NLP）领域，发现传统的图像领域的检测器并不适用于 NLP 领域，并提出一种基于文本嵌入的检测器来识别自然语言处理领域的对抗性样本。该检测器在许多任务上的表现优于传统的移植自图像领域的检测器 - ACL那是可疑的反应！”：解读分类器得分变化以检测自然语言处理对抗攻击
本研究介绍了一种针对自然语言处理中对抗文本样本的模型无关检测器，该检测器能在不同的 NLP 模型、数据集和单词级攻击中识别出对抗性输入，并显示出极强的泛化能力。
- 使用神经网络在 T2 MRI 中进行通用淋巴结检测
本文提出了一种计算机辅助检测（CAD）管道，使用神经网络普适性地在容积 T2 MRI 中识别腹部淋巴结（LN），其灵敏度比目前 SOTA 方法高 14 个百分点（4FP 时的 78.7％对比每卷 5 FP 的 64.6％）；VFNet 模型 - 通过多个 CNN 的正交训练检测 GAN 生成的图像
本文提出了一种基于卷积神经网络集成的合成图像检测器，利用两个主要思想解决检测新的图像生成器的常见情况，结果表明这种方法提高了在 NVIDIA 的新生成 StyleGAN3 图像上的检测准确性。
- 使用贝叶斯神经网络检测对抗性示例
这篇论文提出了一种新的框架，即 BATer，使用贝叶斯神经网络（BNN）来模拟隐藏层输出分布的随机性和分散度，从而提高对抗性例子的检测性能，实验结果表明，与当前最先进的检测器相比，BATer 在对抗性例子检测方面表现更好。
- 概率两阶段检测
该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。
- HDD-Net：混合检测器描述符和相互交互学习
本研究提出了一种局部特征提取的方法，将检测器和描述子两个步骤互相独立，并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征，并在各项基准测试中显示出了比现有技术更好的性能。
- Cascade R-CNN：高质量的目标检测和实例分割
提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测 - 物体检测中的主要样本注意力
通过在目标检测方案的样本权重分析中，提出了 Prime Sample Attention，即在训练过程中重点关注重要的样本，相较于传统随机采样和硬样本挖掘方法，可以有效提高检测器性能。