ترجمه فارسی مقاله دفاع مخالف در دنیای واقعی در برابر حملات پچ بر اساس مدل انتشار

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Real-world Adversarial Defense against Patch Attacks based on Diffusion Model
عنوان مقاله به فارسی دفاع مخالف در دنیای واقعی در برابر حملات پچ بر اساس مدل انتشار
نویسندگان Xingxing Wei, Caixin Kang, Yinpeng Dong, Zhengyi Wang, Shouwei Ruan, Yubo Chen, Hang Su
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Artificial Intelligence,Cryptography and Security,Machine Learning,چشم انداز رایانه و تشخیص الگوی , هوش مصنوعی , رمزنگاری و امنیت , یادگیری ماشین
توضیحات Submitted 14 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 14 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Adversarial patches present significant challenges to the robustness of deep learning models, making the development of effective defenses become critical for real-world applications. This paper introduces DIFFender, a novel DIFfusion-based DeFender framework that leverages the power of a text-guided diffusion model to counter adversarial patch attacks. At the core of our approach is the discovery of the Adversarial Anomaly Perception (AAP) phenomenon, which enables the diffusion model to accurately detect and locate adversarial patches by analyzing distributional anomalies. DIFFender seamlessly integrates the tasks of patch localization and restoration within a unified diffusion model framework, enhancing defense efficacy through their close interaction. Additionally, DIFFender employs an efficient few-shot prompt-tuning algorithm, facilitating the adaptation of the pre-trained diffusion model to defense tasks without the need for extensive retraining. Our comprehensive evaluation, covering image classification and face recognition tasks, as well as real-world scenarios, demonstrates DIFFender's robust performance against adversarial attacks. The framework's versatility and generalizability across various settings, classifiers, and attack methodologies mark a significant advancement in adversarial patch defense strategies. Except for the popular visible domain, we have identified another advantage of DIFFender: its capability to easily expand into the infrared domain. Consequently, we demonstrate the good flexibility of DIFFender, which can defend against both infrared and visible adversarial patch attacks alternatively using a universal defense framework.

چکیده به فارسی (ترجمه ماشینی)

تکه های مخالف چالش های مهمی را برای استحکام مدل های یادگیری عمیق ایجاد می کنند ، و باعث می شود توسعه دفاع مؤثر برای برنامه های دنیای واقعی بسیار مهم شود.در این مقاله Differender ، یک چارچوب مدافع مبتنی بر انتشار جدید که از قدرت یک مدل انتشار با هدایت متن برای مقابله با حملات پچ مخالف استفاده می کند ، معرفی شده است.در هسته رویکرد ما کشف پدیده درک ناهنجاری (AAP) مخالف است که مدل انتشار را قادر می سازد تا با تجزیه و تحلیل ناهنجاری های توزیع ، تکه های مخالف را به طور دقیق تشخیص و پیدا کند.Diffender یکپارچه وظایف بومی سازی و ترمیم پچ را در یک چارچوب مدل انتشار یکپارچه ادغام می کند و باعث افزایش اثربخشی دفاعی از طریق تعامل نزدیک آنها می شود.علاوه بر این ، Diffender از یک الگوریتم تنظیم سریع تنظیم چند شات استفاده می کند ، و تسهیل سازگاری مدل انتشار از پیش آموزش داده شده با کارهای دفاعی را بدون نیاز به بازآموزی گسترده تسهیل می کند.ارزیابی جامع ما ، پوشش طبقه بندی تصویر و وظایف تشخیص چهره و همچنین سناریوهای دنیای واقعی ، عملکرد قوی Diffender را در برابر حملات مخالف نشان می دهد.تطبیق پذیری و تعمیم پذیری چارچوب در تنظیمات مختلف ، طبقه بندی ها و روش های حمله ، پیشرفت چشمگیری در استراتژی های دفاعی پچ مخالف است.به جز دامنه قابل مشاهده محبوب ، ما یک مزیت دیگر از Diffender را شناسایی کرده ایم: توانایی آن برای گسترش به راحتی در دامنه مادون قرمز.در نتیجه ، ما انعطاف پذیری خوب Diffender را نشان می دهیم ، که می تواند در برابر حملات پچ مادون قرمز و قابل مشاهده با استفاده از یک چارچوب دفاعی جهانی دفاع کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.