論文の概要: Open-set Adversarial Defense

• arxiv url: http://arxiv.org/abs/2009.00814v1
• Date: Wed, 2 Sep 2020 04:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 18:35:27.727140
• Title: Open-set Adversarial Defense
• Title（参考訳）: オープンセット敵防衛
• Authors: Rui Shao and Pramuditha Perera and Pong C. Yuen and Vishal M. Patel
• Abstract要約: オープンセット認識システムは敵攻撃に対して脆弱であることを示す。 本研究の目的は,OSAD(Open-Set Adrial Defense, Open-Set Adrial Defense)機構の必要性である。 本稿はOSAD問題に対する解決策として,OSDN(Open-Set Defense Network)を提案する。
• 参考スコア（独自算出の注目度）: 93.25058425356694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set recognition and adversarial defense study two key aspects of deep learning that are vital for real-world deployment. The objective of open-set recognition is to identify samples from open-set classes during testing, while adversarial defense aims to defend the network against images with imperceptible adversarial perturbations. In this paper, we show that open-set recognition systems are vulnerable to adversarial attacks. Furthermore, we show that adversarial defense mechanisms trained on known classes do not generalize well to open-set samples. Motivated by this observation, we emphasize the need of an Open-Set Adversarial Defense (OSAD) mechanism. This paper proposes an Open-Set Defense Network (OSDN) as a solution to the OSAD problem. The proposed network uses an encoder with feature-denoising layers coupled with a classifier to learn a noise-free latent feature representation. Two techniques are employed to obtain an informative latent feature space with the objective of improving open-set performance. First, a decoder is used to ensure that clean images can be reconstructed from the obtained latent features. Then, self-supervision is used to ensure that the latent features are informative enough to carry out an auxiliary task. We introduce a testing protocol to evaluate OSAD performance and show the effectiveness of the proposed method in multiple object classification datasets. The implementation code of the proposed method is available at: https://github.com/rshaojimmy/ECCV2020-OSAD.
• Abstract（参考訳）: open-set recognitionとadversarial defenseは、現実世界の展開に不可欠なディープラーニングの2つの重要な側面を研究する。 オープンセット認識の目的は、テスト中にオープンセットクラスからサンプルを識別することであり、一方、敵対的防御は、知覚できない敵対的摂動の画像からネットワークを守ることを目的としている。 本稿では,オープンセット認識システムは敵攻撃に対して脆弱であることを示す。 さらに、既知のクラスで訓練された敵防御機構は、オープンセットのサンプルにうまく一般化しないことを示した。 本研究の目的は,OSAD(Open-Set Adversarial Defense)機構の必要性である。 本稿ではOSAD問題の解法としてオープンセット防衛ネットワーク(OSDN)を提案する。 提案ネットワークは,雑音のない潜在特徴表現を学習するために,特徴層と分類器を結合したエンコーダを用いている。 オープンセット性能の向上を目的とした2つの手法を用いて情報伝達潜在特徴空間を得る。 第一に、得られた潜在特徴からクリーンな画像が再構成できることを保証するためにデコーダを用いる。 次に、補助的なタスクを実行するのに十分な情報を提供するために、自己スーパービジョンが使用される。 我々はOSADの性能を評価するためのテストプロトコルを導入し、複数のオブジェクト分類データセットにおいて提案手法の有効性を示す。 提案手法の実装コードは、https://github.com/rshaojimmy/ECCV2020-OSADで公開されている。

関連論文リスト

• Improving Adversarial Robustness via Decoupled Visual Representation Masking [65.73203518658224]
  本稿では,特徴分布の観点から,ロバストな特徴の2つの新しい特性を強調した。 現状の防衛手法は、上記の2つの問題にうまく対処することを目的としている。 具体的には、分離された視覚的表現マスキングに基づく、シンプルだが効果的な防御法を提案する。
  論文  参考訳（メタデータ） (2024-06-16T13:29:41Z)
• Open-World Object Detection via Discriminative Class Prototype Learning [4.055884768256164]
  オープンワールドオブジェクト検出(OWOD)は、オブジェクト検出とインクリメンタルラーニングとオープンセットラーニングを組み合わせた難しい問題である。 OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: 差別的OCPL: 差別的OCPL: オープンワールドオブジェクト検出: オープンワールドオブジェクト検出
  論文  参考訳（メタデータ） (2023-02-23T03:05:04Z)
• Open-Set Object Detection Using Classification-free Object Proposal and Instance-level Contrastive Learning [25.935629339091697]
  オープンセットオブジェクト検出(OSOD)は、オブジェクトと背景分離、オープンセットオブジェクト分類という2つのサブタスクからなる問題を処理するための有望な方向である。 我々は,OSODの課題に対処するため,Openset RCNNを提案する。 我々のOpenset RCNNは、散らばった環境下でロボットの並べ替えタスクをサポートするオープンセットの知覚能力でロボットを支援できることを示します。
  論文  参考訳（メタデータ） (2022-11-21T15:00:04Z)
• Open-set Adversarial Defense with Clean-Adversarial Mutual Learning [93.25058425356694]
  本稿では, オープンセット認識システムは, 対向サンプルに対して脆弱であることを示す。 これらの観測により,我々はオープンセット・ディフェンス(OSAD)機構の必要性を強調した。 本稿では,OSAD問題に対する解決策として,OSDN-CAML(Create-Adversarial Mutual Learning)を用いたオープンセット防衛ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-12T02:13:55Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• DAFAR: Detecting Adversaries by Feedback-Autoencoder Reconstruction [7.867922462470315]
  DAFARは、ディープラーニングモデルにより、高い精度と普遍性で敵の例を検出することができる。 ターゲットネットワークに対する受動的摂動攻撃を、フィードバックオートエンコーダに対する明らかなリコンストラクションエラー攻撃に直接変換する。 実験によると、DAFARは合法的なサンプルのパフォーマンスを失うことなく、人気があり、間違いなく最も先進的な攻撃に対して効果的です。
  論文  参考訳（メタデータ） (2021-03-11T06:18:50Z)
• Detection of Adversarial Supports in Few-shot Classifiers Using Feature Preserving Autoencoders and Self-Similarity [89.26308254637702]
  敵対的なサポートセットを強調するための検出戦略を提案する。 我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。 提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
  論文  参考訳（メタデータ） (2020-12-09T14:13:41Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。