肛交 准备

Visual Intelligence

第2卷第4期在线出书

Visual Intelligence是由中国图象图形学学会控制、Springer出书社出书的外洋学术期刊，以敞开取得（OA）的花样出书，不收取作家任何稿件解决用度。期刊于2023年创刊，主编是中国工程院王耀南院士。期刊悉力于激动“视觉”与“智能”的有机联结与协同发展，主要发表视觉智能范围具有外洋先进水平的新表面、新想想、新时刻等的盘考后果和时刻进展，为促进视觉智能时刻的高质料发展和学术接洽工作。期刊入选2022中国科技期刊不凡活动运筹帷幄高开始新刊，是《图像图形范围高质料科技期刊分级目次》T1级期刊，现已被DOAJ、DBLP、EBSCO、Google Scholar、CNKI、Wanfang等国表里弥留数据库收录。接待投稿！

内 容 概 览

本期共发表8篇论文，包括5篇“多媒体安全中的识别与对抗”专刊论文和3篇盘考性论文（Research Article)。

Special Issue Articles

1. Patch is Enough: Naturalistic Adversarial Patch against Vision-Language Pre-training Models

援用本文：Kong， D.， Liang， S.， Zhu， X.， Zhong， Y.， & Ren， W. (2024). Patch is enough: naturalistic adversarial patch against vision-language pre-training models. Visual Intelligence 2， Article No. 33.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00066-7

本文简介：报复性和当然性的折中是现在对抗报复的盘考热门。针对当然性的挑战，本文建议用当然对抗补丁的报复方式代替此前关节的多模态扰动方式。此外，在补丁迭代更新经由中，本文盘考引入了扩散模子，诈欺扩散先验和文本限度对补丁进行当然性的限度，灵验藏匿补丁检测器的防护。

2. WFSS: Weighted Fusion of Spectral Transformer and Spatial Self-Attention for Robust Hyperspectral Image Classification against Adversarial Attacks

援用本文：Tang， L.， Yin， Z.， Su， H.， Lyu， W.， & Luo， B. (2024) WFSS: weighted fusion of spectral transformer and spatial self-attention for robust hyperspectral image classification against adversarial attacks. Visual Intelligence 2， Article No. 5.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00038-x

本文简介：基于深度学习的高光谱图像分类取得庞杂生效的同期也濒临对抗报复挟制。何如提高模子顽抗对抗报复的鲁棒性？本文通过Transformer开导光谱间的长距离依赖相关来普及模子鲁棒性。现实扫尾标明本高光谱图像分类模子精度和在对抗报复条款下的鲁棒性均简略达到SOTA性能。

3. RobustMQ: Benchmarking Robustness of Quantized Models

援用本文: Xiao， Y.， Liu， A.， Zhang， T.， Qin， H.， Guo， J.， & Liu， X. (2023). RobustMQ: benchmarking robustness of quantized models. Visual Intelligence 1，av电影网 Article No. 30.

全文纠合：https://link.springer.com/article/10.1007/s44267-023-00031-w

本文简介：神经汇集量化依然成为在资源有限的设备上部署深度神经汇集的纰谬时刻。但是，在面对真确寰宇中各式噪声时，量化模子极易弘扬出脆弱性。本文开导了RobustMQ评估基准。

4. Imperceptible Backdoor Watermarks for Speech Recognition Model Copyright Protection

援用本文: Liao， J.， Yi， L.， Shi， W.， Yang， W.， Fang， Y.， & Yang， X. (2024). Imperceptible backdoor watermarks for speech recognition model copyright protection. Visual Intelligence 2，Article No. 23.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00055-w

本文简介：本文建议了黑盒水印关节来考证语音识别模子的总计权。这种关节不错裁汰报复者访谒预查验模子何况创建未经授权的AI工作的风险。具体而言，本文建议了高斯噪声水印、极频高斯噪声水印和无关音频水印三种水印关节。

5. A Divide-and-Conquer Reconstruction Method for Defending against Adversarial Example Attacks

援用本文: Liu， X.， Hu， J.， Yang， Q.， Jiang， M.， He， J.， & Fang， H. (2024). A divide-and-conquer reconstruction method for defending against adversarial example attacks. Visual Intelligence 2， Article No. 30.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00061-y

本文简介：本文建议一种防护对抗样本报复的关节，称之为“分而治之的重建关节”。最初贪图了一个对抗报复分类模块，诈欺不同对抗样本之间的高频信息互异进行多分类；然后，构建了一个分而治之的重建模块，诈欺针对每种对抗报复查验的图像重建模子，简略灵验解决不同类型的报复。关于难以准确分类的对抗报复，使用针对羼杂报复查验的重建汇集，以确保在这些情况下的防护效果。

Research Article

1. ViTGaze: Gaze Following with Interaction Features in Vision Transformers

援用本文: Song， Y.， Wang， X.， Yao， J.， Liu， W.， Zhang， J.， & Xu， X. (2024). ViTGaze: gaze following with interaction features in vision transformers. Visual Intelligence 2， Article No. 31.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00064-9

本文简介：本文立异性地建议基于视觉Transformer（ViT）的单模态闪耀追踪框架ViTGaze，将自防御力中的区域交互迁徙到东谈主与场景之间的交互。现实扫尾标明，该关节在总计单模态关节中终显然起初进的性能，何况在参数减少59%的情况下，与多模态关节的性能至极接近，解说了预查验ViT模子在闪耀追踪任务上的灵验性。

2. Spatial-Temporal Initialization Dilemma: Towards Realistic Visual Tracking

援用本文：Liu， C.， Yuan， Y.， Chen， X.， Lu， H.， & Wang， D. (2024). Spatial-temporal initialization dilemma: towards realistic visual tracking. Visual Intelligence 2， Article No. 35.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00068-5

本文简介：现存的方向追踪评测基准与面向实质应用的启动化情况存在互异，本文充分探究了面向实质追踪的非梦想启动化所带来的启动化窘境问题，并建议了一个高效的启动化赔偿框架。该赔偿框架包含空间修正和时刻追逐两个模块，不错与纵情方向追踪模子适配，从而灵验普及追踪模子关于非梦想启动化噪声的抗侵扰才气。

3. Unified Regularity Measures for Sample-Wise Learning

援用本文: Zhang， C.， Yuan， M.， Ma， X.， Liu， Y.， Lu， H.， Wang， L.， Su， Y.， & Liu， Y. (2024). Unified regularity measures for sample-wise learning. Visual Intelligence 2， Article No. 38.

全文纠合：https://link.springer.com/article/10.1007/s44267-024-00069-4

本文简介：针对不相通本在学习和测试经由中孝顺不对等抖擞，本文从神经汇集牵记和泛化的角度开赴，建议了一双调处的样本规定性测量想法来探索表征内在样本模式的关节。最初，通过计较查验经由中样本正确分类的积聚数目来量化汇集泛化经由中的泄露性，其次通过淡忘事件统计t时刻之前样本正确分类的次数，从而暗示样本规定的不笃信性。进一步的查验和测试加快应用解说了所提关节的灵验性。

肛交 准备