TPAMI 2024 | 变分对抗性防御：对抗性训练的贝叶斯视角

最新推荐文章于 2025-05-19 01:00:00 发布
最新推荐文章于 2025-05-19 01:00:00 发布
阅读量106 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 论文解读 计算机顶会 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/139424446
版权

Variational Adversarial Defense: A Bayes Perspective for Adversarial Training

题目：变分对抗性防御：对抗性训练的贝叶斯视角

作者：Chenglong Zhao; Shibin Mei; Bingbing Ni; Shengchao Yuan; Zhenbo Yu; Jun Wang

摘要

近年来，针对对抗性攻击的防御方法层出不穷。然而，这些方法普遍缺乏足够的理论保证，导致两个问题：首先，必要的对抗性训练样本的缺乏可能会削弱正常梯度的反向传播，从而导致过拟合并潜在的梯度掩盖问题。其次，逐点的对抗性采样为对抗性数据提供了不充分的支持区域，因此无法形成强大的决策边界。为了解决这些问题，我们提供了理论分析，揭示了对抗性训练中鲁棒准确性与训练集复杂性之间的关系。结果，我们提出了一种名为变分对抗性防御（Varia

了解本专栏 订阅专栏 解锁全文
TPAMI 2024 | 基于反对抗样本的对抗训练（一）
小白学视觉
05-07 31
对抗训练在提高深度神经网络的鲁棒性方面很有效。然而，现有研究在模型的鲁棒性、泛化性和公平性方面仍存在显著缺陷。在本研究中，作者从理论和实践两个角度验证了不同扰动方向（即对抗扰动和反对抗扰动）以及扰动范围的重要性。在更普遍的扰动范围内，即不同样本可以有不同的扰动方向和变化的扰动范围，从理论上探究了对抗训练对深度学习模型在公平性、鲁棒性和泛化性方面的影响。
TPAMI 2024 | 信息驱动的自适应感知
小白学视觉
06-05 158
对于许多反问题，求解所基于的数据是按顺序获取的。我们提出了一种求解此类反问题的方法，其中传感器可以在飞行中被定向（或以其他方式重新配置）以获取特定测量值。一个示例问题是磁共振图像重建。我们使用由生成模型提供的经验条件分布推导出的互信息估计来指导我们在已获取的测量值的基础上进行测量获取。条件生成的数据是一组样本，代表满足已获取测量值的可能解。我们对玩具数据集和真实世界数据集进行了实验。我们专注于图像数据，但我们证明了该方法适用于更广泛的类问题。我们还展示了如何利用深度神经网络等学习模型来实现对未见数据的泛化。
TPAMI 2024 | 从医学图像的视角解读diffusion model里面的测度引导问题
小白学视觉
07-22 901
题目：Measurement Guidance in Diffusion Models: Insight from Medical Image Synthesis 从医学图像的视角解读diffusion model里面的测度引导问题 作者：Yimin Luo; Qinyu Yang; Yuheng Fan; Haikun Qi; Menghan Xia 源码链接： https://github.com/yangqy1110/MGDM 摘要 在医疗保健领域，样本获取通常受到成本、劳动密集型注释、隐私问题和辐
TPAMI 2024 | 扩散模型中的测量指导：来自医学图像合成的见解
小白学视觉
12-22 81
在医疗保健领域，样本的获取通常受到成本、劳动密集型注释、隐私问题和辐射危害等多种考虑的限制，因此，合成感兴趣的图像是数据增强的重要工具。最近，扩散模型在各种合成任务中取得了最先进的结果，并且通过嵌入能量函数，已被证明可以有效地指导预训练模型合成目标样本。然而，我们注意到，当前的方法开发和验证仍然局限于提高指标，如Fréchet Inception Distance分数（FID）和Inception Score（IS），并没有对下游任务，如疾病分级和诊断，进行更深入的调查。
TPAMI 2024 | 使用合成负样本的混合开放集分割
小白学视觉
11-11 172
题目： Hybrid Open-Set Segmentation With Synthetic Negative Data 使用合成负样本的混合开放集分割 作者：Matej Grcic，Sinisa Segvic 摘要 开放集分割可以通过补充封闭集分类与异常检测来构想。许多现有的密集异常检测器通过生成模型对常规数据进行建模或与负数据进行区分。这两种方法优化了不同的目标，因此表现出不同的失败模式。因此，我们提出了一种新颖的异常得分，它融合了生成和判别的提示。我们的得分可以通过升级任何封闭集分割模型，以实现数据
TPAMI 2024 | 用于主动目标检测的多实例差异化学习
小白学视觉
11-12 461
尽管图像识别的主动学习取得了实质性进展，但缺乏对目标检测中实例级主动学习的系统研究。在本文中，我们提出了一种将实例不确定性计算与图像不确定性估计统一起来的方法，用于信息图像选择，创建了一种用于实例级主动学习的多实例差异化学习（MIDL）方法。MIDL包括一个分类器预测差异化模块和一个多实例差异化模块。前者利用两个对抗性实例分类器在标记集和未标记集上进行训练，以估计未标记集的实例不确定性。后者将未标记图像视为实例包，并使用多实例学习方式中的实例分类模型重新估计图像-实例不确定性。
TPAMI 2024|用于持续学习的基于广义差异的分布稳健记忆演化
小白学视觉
08-31 4196
Distributionally Robust Memory Evolution With Generalized Divergence for Continual Learning 用于持续学习的基于广义差异的分布稳健记忆演化 Zhenyi Wang o, Li Shen , Tiehang Duan , Qiuling Suo o, Le Fang , Wei Liu ，Mingchen Gao 摘要 持续学习（Continual Learning, CL）的目标是在非静态数据分布上学习，同时不忘记先
TPAMI 2024 | 基于隐马尔可夫模型的对抗性数据增强用于异常检测
小白学视觉
10-17 245
在这项工作中，我们专注于检测在物理世界中运行的系统中的异常行为，这些系统通常无法提前拥有所有可能异常的完整集合。我们提出了一种基于对抗性学习的数据增强和重新训练方法，以改进异常检测。特别地，我们首先定义了一种为基于隐马尔可夫模型（HMMs）的异常检测器生成对抗性样本的方法。然后，我们提出了一种使用这些对抗性样本来提高异常检测性能的数据增强和重新训练技术。最后，我们在四个数据集上评估了我们的对抗性数据增强和重新训练方法，结果表明它实现了统计上显著的性能提升，并增强了对对抗性攻击的鲁棒性。
TPAMI 2024 | 利用深度学习中的记忆效应进行噪声标签学习的方法探索
小白学视觉
01-20 96
在噪声标签的鲁棒学习中，样本选择方法非常流行。然而，如何正确控制选择过程，以便深度网络能够从记忆效应中受益，这是一个难题。在本文中，受自动化机器学习（AutoML）成功的启发，我们提出了通过双层优化来控制选择过程。具体来说，我们通过利用记忆效应的一般模式在上层参数化选择过程，然后使用模型训练中获得的预测精度来更新这些参数。我们进一步引入半监督学习算法，将噪声标签数据用作未标记数据。为了高效解决双层优化问题，我们考虑了牛顿方法和立方正则化方法从验证曲率中获取的更多信息。我们为两种优化方法提供了收敛性分析。结果
计算机视觉与深度学习 ｜ Python实现EMD-CNN-LSTM时间序列预测（完整源码、数据、公式)
尘世冰封的专栏
05-17 215
"""CNN-LSTM混合模型"""# CNN层：提取局部时序特征nn.ReLU(),# LSTM层：捕获长期依赖# 全连接输出层# 输入x形状: (batch_size, seq_len, input_size)x = x.permute(0, 2, 1) # 转换为Conv1d需要的形状 (batch, channels, seq_len)cnn_out = self.cnn(x) # 输出形状: (batch, cnn_out_channels, seq_len//2)
【论文阅读 | AAAI 2025 | FD2-Net：用于红外 - 可见光目标检测的频率驱动特征分解网络】
berling00的博客
05-18 1426
红外 - 可见光目标检测（IVOD）旨在利用红外和可见光图像中的互补信息，从而提升复杂环境下检测器的性能。然而，现有方法往往忽略互补信息的频率特性，例如可见光图像中丰富的高频细节和红外图像中有价值的低频热信息，这制约了检测性能。为解决这一问题，提出了一种新的用于 IVOD 的频率驱动特征分解网络 FD2-Net，该网络能有效捕捉跨多模态视觉空间的互补信息所具有的独特频率表示。
Visual-RFT: Visual Reinforcement Fine-Tuning——视觉强化微调
最新发布
Together_CZ的博客
05-19 2047
Visual-RFT: Visual Reinforcement Fine-Tuning——视觉强化微调
计算机视觉与深度学习 ｜ Python实现EEMD-LSTM时间序列预测（完整源码和数据)
尘世冰封的专栏
05-17 217
EEMD-LSTM通过。
计算机视觉与深度学习 ｜ LSTM应用合集
尘世冰封的专栏
05-17 174
LSTM的核心优势在于处理。
目标检测新突破：用MSBlock打造更强YOLOv8
shrgegrb的博客
05-18 1051
YOLO系列模型在目标检测领域以其高效性和精度表现备受关注。YOLOv8作为最新版本，虽然在速度和精度之间取得了平衡，但在资源受限的环境中仍面临模型体积和计算量较大的挑战。本文提出利用YOLO-MS中的MSBlock对YOLOv8进行改进，以实现轻量化和性能提升。MSBlock通过多尺度特征融合机制，增强了模型对目标的特征提取能力，同时降低了计算复杂度。实验结果表明，将MSBlock引入YOLOv8后，模型在保持轻量化的同时，检测精度显著提升，推理时间也有所缩短。这一改进为YOLOv8在移动设备等资源受限环
【论文#目标检测】End-to-End Object Detection with Transformers
weixin_42877471的博客
05-17 1069
DETR（DEtection TRansformer）是一种新颖的目标检测方法，将检测任务视为直接的集合预测问题，简化了传统检测流程。该方法消除了非极大值抑制（NMS）和锚点生成等手工设计组件，采用了Transformer编码器-解码器架构和基于二分图匹配的全局损失函数。DETR通过一组固定的目标查询，推理目标间关系及全局图像上下文，并行输出最终预测集合。在COCO数据集上，DETR与Faster R-CNN基线性能相当，尤其在大目标检测上表现更优，但在小目标检测上稍显不足。此外，DETR可轻松扩展至全景分
基于注意力机制与iRMB模块的YOLOv11改进模型—高效轻量目标检测新范式
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
05-12 973
针对当前主流目标检测模型在边缘设备部署中所面临的计算资源受限和推理效率瓶颈问题，本文提出一种基于 YOLOv11 的改进型轻量化目标检测架构。该模型融合了 多尺度注意力机制（Multi-Scale Attention） 与 反向残差移动块（Inverted Residual Mobile Block, iRMB） ，在保持高精度的同时显著降低模型参数量与计算复杂度。
YOLOv8在单目向下多车辆目标检测中的应用
hao_wujing的专栏
05-16 1146
自动驾驶技术正逐步改变传统的汽车驾驶方式，标志着现代交通运输的一个重要里程碑。目标检测是自主系统的基石，在提高驾驶安全性、实现自主功能、提高交通效率和促进有效的应急响应方面发挥着至关重要的作用。然而，目前的环境感知雷达、道路感知摄像头和车辆传感器网络等技术面临着显著的挑战，包括高成本、易受天气和光照条件影响以及分辨率有限。为了解决这些限制，本文提出了一种基于YOLOv8的改进型自主目标检测网络。
目标跟踪相关综述文章
m0_74413554的博客
05-17 724
【代码】目标跟踪相关综述文章。
tpami2024图像去噪
03-29
### TPAMI 2024 年关于图像去噪的研究概述 在TPAMI 2024年的研究中，有一篇重要的论文提出了无需去噪的含噪图像表示方法[^1]。这项工作旨在解决具有挑战性的噪声退化问题，并提出了一种新的时频判别图像表示技术。这种方法不仅能够提供信息噪声鲁棒性，还能保持几何不变性，而不需要任何学习过程或显式的去噪操作。 具体而言，这种新方法适用于多种小规模鲁棒视觉问题，尤其是在安全和取证领域中的对抗假设场景下表现出显著潜力。其核心优势在于能够在不依赖传统去噪算法的情况下实现对含噪图像的有效表征，从而简化了处理流程并提高了效率。 此外，在多模态图像修复与融合方面也有相关进展。另一项研究表明，通过设计一种名为DeepMCDL的新颖可解释网络，可以有效应对复杂的图像恢复任务[^2]。尽管此部分重点并非完全集中于单一模式下的去噪问题，但它展示了如何利用深度学习框架结合字典学习机制来提升图像质量，这对于理解更广泛的图像增强策略提供了有价值的见解。 对于特定类型的干扰因素如雨水影响，则存在专门针对此类情况开发的技术方案。例如，“图像去雨Transformer”的研究成果涵盖了多个公开可用的数据集用于验证模型性能，其中包括但不限于Rain200H、Rain200L以及SPAData等[^3]。虽然这些资源主要用于评估去除降雨效果的能力，但从侧面反映了当前学术界对于复杂环境下信号提取的关注程度，这也间接促进了通用型图像去噪理论的发展方向。 综上所述，无论是专注于构建新型无监督式含噪图像表达方式还是探索跨域协作优化路径，都可以看出近年来围绕提高数字媒体抗干扰特性的科研活动正呈现出蓬勃发展的态势。 ```python # 示例代码片段展示可能应用于图像预处理阶段的操作逻辑 import numpy as np def apply_noise_robust_representation(image_array): # 假设此处实现了基于时频分析的方法 transformed_image = np.fft.fftshift(np.fft.fft2(image_array)) return abs(transformed_image) # 调用函数模拟输入输出转换过程 noisy_input = np.random.rand(256, 256) * 255 processed_output = apply_noise_robust_representation(noisy_input) ``` ####
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值