8273

مقاوم سازي مدلهاي جداسازي معنايي تصاوير در برابر حمالت تخاصمي

كارشناسي

مهندسي برق گرايش الكترونيك

1401

دكتر شهريار برادران شكوهي

دكتر شهريار برادران شكوهي

1401/10/20

مهندسي برق

the robustness of semantic segmentation models to adversarial attacks

شبكههاي عصبي عميق نشان داده شده اند كه در اكثر وظايف تشخيص مانند طبقه بندي و تقسيم بندي تصوير به خوبي عمل ميكنند. بااين حال، نشان داده شده است كه آنها در برابر نمونههاي متخاصم نيز آسيب پذير هستند. اين پديده اخيراً توجه زيادي را به خود جلب كرده است، اما به طور گسترده بر روي مجموعه داده هاي چندگانه، در مقياس بزرگ و وظايف پيچيده؛ مانند تقسيم بندي معنايي كه اغلب به كارهاي شبكه تخصصي تر با اجزاي اضافي نياز دارد مانند CRF ها، گشاد شده ،. پيچيدگي ها، اتصالات پرش و پردازش چند مقياسي مطالعه نشده است. دراين پايان نامه ، ما اولين ارزيابي دقيق حمالت خصمانه بر روي مدلهاي تقسيمبندي معنايي مدرن را با استفاده از دو مجموعه داده در مقياس بزرگ ارائه ميكنيم. مدلهاي تقسيمبندي در حال حاضر بايد در كاربردهاي حياتي ايمني به دليل استحكام ذاتي آنها ترجيح داده شوند. ما تأثير معماري شبكه هاي مختلف، ظرفيت مدل و پردازش چند مقياسي را تجزيه وتحليل ميكنيم و نشان ميدهيم كه بسياري از مشاهدات انجام شده بر روي وظيفه طبقهبندي هميشه به اين كار پيچيده تر منتقل نميشوند. عالوه بر اين، نشان ميدهيم كه چگونه استنتاج ميدان ميانگين در مدلهاي ساختاري عميق و پردازش چند مقياسي به طور طبيعي اخيراً اجرا ميشود.

بينايي ماشين , يادگيري عميق , تقسيم بندي معنايي , semantic segmentation