【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（12 月 4 日论文合集）（下）

痛定思痛。 2024-02-05 12:04 44阅读 0赞

#### 文章目录 ####

*   *  1.8 Fool the Hydra: Adversarial Attacks against Multi-view Object Detection Systems
     *  1.9 Presentation Attack Detection using Convolutional Neural Networks and Local Binary Patterns
     *  1.10 Presentation Attack detection using Wavelet Transform and Deep Residual Neural Net
     *  1.11 Algorithm-based diagnostic application for diabetic retinopathy detection
     *  1.12 RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts
     *  1.13 Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection

### 1.8 Fool the Hydra: Adversarial Attacks against Multi-view Object Detection Systems ###

愚弄九头蛇：对抗多视图目标检测系统的攻击

https://arxiv.org/abs/2312.00173

对抗性补丁是对抗性攻击在现实世界场景中对机器学习（ML）模型构成的威胁的有形表现。在设计计算机视觉应用程序时，对这些攻击的鲁棒性至关重要，特别是对于安全关键领域，如CCTV系统。在大多数实际情况下，监测开放空间需要多视图系统来克服诸如遮挡处理之类的采集挑战。多视图目标系统能够将来自多个视图的数据结合起来，即使在困难的环境中也能达到可靠的检测结果。尽管它在现实世界的视觉应用中的重要性，多视图系统对抗补丁的脆弱性还没有得到充分的研究。在本文中，我们提出了以下问题：增强的性能和跨视图的信息共享是否作为对抗补丁的副产品提供了鲁棒性？我们首先进行了初步分析，显示出对现成的对抗性补丁的鲁棒性，即使在极端的环境中，我们认为补丁应用于Wildtrack基准测试中所有人的所有视图。然而，我们通过提出两种新的攻击来挑战这种观察：（i）在第一种攻击中，针对多视图CNN，我们通过向不同视图提出梯度投影并聚合获得的局部梯度来最大化全局损失。(ii)在第二种攻击中，我们专注于基于transformer的多视图框架。除了焦点损失之外，我们还通过分散其注意力块来最大化变压器特定的损失。我们的研究结果表明，受害者多视图系统的检测性能大幅下降，我们的第一个补丁攻击达到了73%的攻击成功率，而我们提出的第二个攻击将其目标检测器的性能降低了62%

### 1.9 Presentation Attack Detection using Convolutional Neural Networks and Local Binary Patterns ###

基于卷积神经网络和局部二进制模式的呈现攻击检测

https://arxiv.org/abs/2312.00041

近年来，使用生物识别技术来认证用户和控制对安全区域的访问已经变得非常流行，并且政府和私人公司都经常使用生物识别访问控制系统。然而，这些系统在部署时可能存在安全风险，而不考虑生物特征呈现攻击（也称为欺骗）的可能性。呈现攻击是一个严重的威胁，因为它们不需要大量的时间，费用或技能来执行，同时对当今使用的许多生物识别系统保持有效。本研究比较了三种不同的基于软件的面部和虹膜呈现攻击检测方法。第一种方法使用Inception-v3，这是一种由Google为ImageNet挑战而制作的预训练深度卷积神经网络（CNN），它针对这个问题进行了重新训练。第二个使用基于修改后的Spoofnet架构的浅层CNN，该架构正常训练。第三种是基于纹理的局部二值模式（LBP）方法。使用的数据集是ATVS-FIr数据集，其中包含真实和虚假的虹膜图像，以及CASIA Face Anti-Spoofing数据集，其中包含真实图像以及扭曲照片，剪切照片和视频回放演示攻击。我们还提出了第三组的结果，基于裁剪版本的CASIA图像。

### 1.10 Presentation Attack detection using Wavelet Transform and Deep Residual Neural Net ###

基于小波变换和深度残差神经网络的表示攻击检测

https://arxiv.org/abs/2312.00040

生物特征认证对于安全认证系统变得越来越普遍。然而，生物识别物质可以通过几种方式被冒名顶替者欺骗。在其他冒名顶替者攻击中，打印攻击、掩码攻击和重放攻击属于呈现攻击类别。生物特征图像，特别是虹膜和人脸，容易受到不同的呈现攻击。本研究应用深度学习方法来减轻生物识别访问控制系统中的呈现攻击。我们在本文中的贡献是两方面的：首先，我们应用小波变换从生物特征图像中提取的特征。其次，我们修改了深度残差神经网络，并将其应用于欺骗数据集，试图检测演示攻击。本研究应用所提出的方法对生物特征欺骗数据集，即ATVS，CASIA两类，和CASIA裁剪图像集。本研究中使用的数据集包含在受控和非受控环境中捕获的图像，以及不同的分辨率和大小。我们在ATVS Iris数据集上获得了93%的最佳准确率。对于CASIA两类和CASIA裁剪数据集，我们分别实现了91%和82%的测试准确率。

### 1.11 Algorithm-based diagnostic application for diabetic retinopathy detection ###

基于算法的糖尿病视网膜病变诊断应用研究

https://arxiv.org/abs/2312.00529

糖尿病视网膜病变（DR）是全球范围内日益严重的健康问题，是视力损害和失明的主要原因，特别是在20-65岁的工作人群中。它的发病率随着糖尿病病例的增加而增加，在发达国家比发展中国家更常见。糖尿病视网膜病变诊断领域的最新研究正在使用先进的技术，例如对通过检眼镜检查获得的图像进行分析。基于神经网络、深度学习和图像分析算法的眼睛图像自动分析方法可以提高诊断效率。本文介绍了一种自动DR诊断方法，包括处理和分析的检眼镜图像的眼睛。它使用形态学算法来识别DR的视盘和病变特征，例如微动脉瘤、血管瘤和渗出物。自动DR诊断有可能提高这种疾病的早期检测效率，并有助于减少糖尿病相关视力损害的病例数。最后一步是创建一个具有图形用户界面的应用程序，该应用程序允许将在合作眼科办公室拍摄的视网膜图像上传到服务器。然后使用开发的算法分析这些图像以进行诊断。

### 1.12 RadioGalaxyNET: Dataset and Novel Computer Vision Algorithms for the Detection of Extended Radio Galaxies and Infrared Hosts ###

RadioGalaxyNET：用于探测扩展射电星系和红外主机的数据集和新的计算机视觉算法

https://arxiv.org/abs/2312.00306

从下一代深度巡天中创建射电星系目录需要自动识别扩展源及其相应红外主机的相关组件。在本文中，我们介绍RadioGalaxyNET，一个多模态数据集，和一套新颖的计算机视觉算法，旨在自动检测和定位的多组件扩展射电星系及其相应的红外主机。该数据集包括2，800张具有无线电和红外通道的图像中的4，155个星系实例。每个实例都提供了有关扩展射电星系类的信息，其相应的包围所有组件的边界框，像素级分割掩模，以及其相应的红外宿主星系的关键点位置。RadioGalaxyNET是第一个包含来自高灵敏度澳大利亚平方公里阵列探路者（ASKAP）射电望远镜的图像，相应的红外图像和用于星系检测的实例级注释的数据集。我们基准的数据集上的几个对象检测算法，并提出了一种新的多模态方法，同时检测射电星系和红外主机的位置。

### 1.13 Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection ###

人工智能预测乳腺癌的个体化风险调整MRI筛查和早期发现

https://arxiv.org/abs/2312.00067

乳腺癌终生风险增加的妇女接受补充性年度MRI筛查。我们建议根据目前的MRI预测一年内发生乳腺癌的风险，目的是减轻筛查负担，促进早期发现。研究人员在12,694名接受筛查或诊断MRI的患者的53,858个乳房上开发了一种AI算法，这些患者在12年内累积了2,331例确诊的癌症。第一个U-Net被训练来分割病变并识别关注区域。训练第二个卷积网络，使用U-Net提取的特征检测恶性癌症。然后对该网络进行微调，以估计放射科医生认为正常或可能良性的病例在一年内患癌症的风险。通过回顾性分析来自高风险筛查队列的9，183个乳房，评估了该AI的风险预测，这些乳房未用于培训。统计分析集中在忽略检查的数量与阴性预测值之间的权衡，以及潜在早期检测的数量与阳性预测值之间的权衡。AI算法识别出了52%的筛查癌症中与未来肿瘤相吻合的关注区域。在直接审查后，放射科医生发现71.3%的癌症在诊断前的MRI上有明显的相关性，其中65%的相关性是由AI模型确定的。在所有具有较高AI预测风险的病例中，重新评估10%的这些区域可能导致放射科医生的早期检测率高达33%。此外，通过建议在不影响当前间隔癌症率的情况下进行后期随访，可以减少16%的低风险病例的筛查负担。随着数据集的增加和图像质量的提高，我们预计这种新的人工智能辅助的自适应筛选将有意义地减少筛选负担并改善早期检测。