申请试用
HOT
登录
注册
 
深度视觉图匹配的鲁棒性探索及数据中心视角下的展望
深度视觉图匹配的鲁棒性探索及数据中心视角下的展望

深度视觉图匹配的鲁棒性探索及数据中心视角下的展望

白玉兰开源
/
发布于
/
116
人观看

从图像领域到图领域,深度神经模型的鲁棒性已经成为一个重要议题,对抗噪声的广泛存在使得模型在实际部署时面临恶意攻击的威胁。然而作为图像和图的交叉领域,深度视觉图匹配的鲁棒性研究仍属欠缺。我们首先设计了对于图中关键点位置和隐含图结构的对抗攻击,大为降低了深度模型在部署时的表现。进一步的我们分析了我们设计的对抗攻击的模式,设计了外观感知正则器,可以识别并且显示地扩大易混淆的关键点在隐空间内的距离。广泛的深入的实验结果证明了我们方法的有效性。此外,我们的位置攻击可以作为数据增广的方式甚至进一步提高了最优模型的匹配精度,由此我将从数据中心的视角,讨论目前的方法论可能存在的拓展方向,以及对其他应用领域的适用潜力,作为未来的展望。

相关代码已开源在 https://github.com/Thinklab-SJTU/robustMatch

任麒冰,上海交通大学人工智能研究院研究生,指导老师是严骏驰副教授。主要研究兴趣集中于机器学习鲁棒性和数据隐私保护。目前以一作身份发表CVPR1篇,曾获得国家奖学金、上海市奖学金以及校A奖学金。

0 点赞
0 收藏
1下载
确认
3秒后跳转登录页面
去登陆