بهره گیری از مدل های مولد برای بهبود استحکام روش های تشخیص شیء در برابر حملات تخاصمی و تغییر دامنه

مدل های تشخیص شیء به عنوان یکی از ارکان اصلی بینایی کامپیوتر در کاربردهای حیاتی مانند خودروهای خودران، نظارت هوشمند و تشخیص های پزشکی نقش اساسی ایفا می کنند. با این حال عملکرد این مدل ها در مواجهه با شرایط دنیای واقعی، به دلیل آسیب پذیری در برابر حملات تخاصمی و چالش تغییر دامنه به شدت تضعیف می شود. حملات تخاصمی با افزودن اغتشاشات کوچک و غیر قابل درک برای انسان خروجی مدل را به طور کامل مختل می کنند در حالی که تغییر دامنه ناشی از تفاوت توزیع آماری بین داده های آموزش و آزمون منجر به افت شدید دقت می شود. در سال های اخیر مدل های مولد به ویژه شبکه های زایای تخاصمی (GANs) و مدل های دیفیوژن (Diffusion Models) به عنوان یک رویکرد قدرتمند برای مقابله با این دو چالش ظهور کرده اند. این مقاله مروری به بررسی جامع و دسته بندی روش هایی می پردازد که از پتانسیل مدل های مولد برای افزایش استحکام مدل های تشخیص شیء بهره می برند. رویکردهای موجود به دو دسته اصلی تقسیم می شوند: (۱) روش های مبتنی بر مدل مولد برای دفاع در برابر حملات تخاصمی و (۲) روش های مبتنی بر مدل مولد برای تطبیق دامنه. تحلیل نتایج مقالات بررسی شده نشان می دهد که مدل های دیفیوژن علی رغم هزینه محاسباتی بالا، پتانسیل چشمگیری در سناریوهای پالایش ورودی و تولید داده های با کیفیت برای دامنه های نادر از خود نشان داده اند در حالی که رویکردهای مبتنی بر GAN در کاربردهای ترجمه دامنه و داده افزایی همچنان کارآمدی خود را حفظ کرده اند.

کلیدواژه ها:

تشخیص شیء ، استحکام ، مدل ، حملات تخاصمی ، تغییر دامنه ، مدل های مولد