相关实验视频
Updated: Jul 11, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
突出物体检测数据集与对遗传编程和神经网络的对抗性攻击.
Matthieu Olague1, Gustavo Olague2, Roberto Pineda2
1IBM Technology Campus Guadalajara, El Salto, 45680, Mexico.
Data in brief
|December 17, 2024
概括
这项研究引入了56,387张图像的数据集,以评估突出物体检测中的对抗性稳定性. 它通过测试各种对抗性攻击的深度学习模型来解决安全问题.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习安全 机器学习安全
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 机器学习 (ML) 在特征提取方面表现出色,但由于对抗性干扰,它面临着安全挑战.
- 使用深 convolutional 神经网络 (CNNs) 的突出物体检测 (SOD) 是有效的,但易受攻击,影响可信度.
研究的目的:
- 创建一个全面的数据集来评估突出物体检测模型的对抗性稳定性.
- 为分析和开发防御计算机视觉中的对抗性攻击提供资源.
主要方法:
- 通过对五个不同的图像数据库应用12种类型的对抗性示例,编制了56,387张数字图像的数据集.
- 包括标准的SOD数据库 (FT,PASCAL-S,ImgSal,DUTS) 和一个真实世界的视觉注意力数据集 (SNPL).
- 提供原始和重新缩放的图像,以便可访问和分发.
主要成果:
- 该数据集有助于在各种对抗性攻击场景下评估模型性能.
- 它可以对不同对抗性扰动对SOD模型的影响进行定量分析.
结论:
- 开发的数据集对于推进强大的突出物体检测研究至关重要.
- 它是机器学习社区的宝贵资源,用于解决计算机视觉系统中的安全漏洞.

