PulseAugur
中
实时 01:00:50
English(EN) Adversarial Attack and Disturbance Detection by Hadamard-Coded Output Representations for Object Detection and Semantic Segmentation

HadamardNet 提高了 AI 模型对对抗性攻击的鲁棒性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为 HadamardNet 的新框架，以提高目标检测和语义分割模型对对抗性攻击的鲁棒性。该框架利用哈达玛编码输出表示，与传统的独热编码相比，它提供了更好的校准，并能更有效地检测扰动。这种新颖的方法包括一个优化的解码过程和一个利用预测不一致性来增强安全性的方法。评估表明，HadamardNet 在检测扰动方面取得了最先进的性能，同时在干净数据上保持了具有竞争力的准确性。 AI

影响 通过更好地检测对抗性攻击和扰动来增强 AI 模型安全性。

排序理由 该集群包含一篇详细介绍改进 AI 模型安全性新方法的 ist.

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Lucas G\"ornhardt, Timo Bartels, Niklas Schwarz, Tim Fingscheidt ·

    面向目标检测和语义分割的哈达玛编码输出表示的对抗性攻击与扰动检测

    arXiv:2606.09536v1 Announce Type: new Abstract: Conventional one-hot encodings often yield poorly calibrated models, being overconfident under attack, and letting entropy-based detection algorithms fail. Previous image classification works have demonstrated that Hadamard-coded ou…

  2. arXiv cs.CV TIER_1 English(EN) · Tim Fingscheidt ·

    面向目标检测和语义分割的哈达玛编码输出表示的对抗性攻击与扰动检测

    Conventional one-hot encodings often yield poorly calibrated models, being overconfident under attack, and letting entropy-based detection algorithms fail. Previous image classification works have demonstrated that Hadamard-coded output representations can improve adversarial rob…

相关实体

相关话题