QCLR：提升骨骼动作识别对抗鲁棒性
热点事件持续更新
QCLR：提升骨骼动作识别对抗鲁棒性
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
研究者提出名为 QCLR 的插件模块，用于自监督骨骼动作识别中的对比学习，以提升模型对对抗攻击的鲁棒性。该模块在编码流程中采用双层量化方案，切断梯度传播并将微小对抗扰动吸收进量化区间，同时用注意力引导的多面量化策略缓解量化误差。 据该研究称，在多个基准数据集上把 QCLR 接入主流对比学习模型后，对白盒与黑盒对抗攻击的鲁棒性显著提升，分类精度仍保持竞争力。
AI 根据报道生成 · 56 分钟前更新
最新进展10月12日 12:00
QCLR：面向自监督骨架动作识别的对比学习量化鲁棒化插件模块报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.CVQCLR：面向自监督骨架动作识别的对比学习量化鲁棒化插件模块
研究者提出 QCLR，一个通过量化提升自监督骨架动作识别中对比学习鲁棒性的插件模块。该模块在编码流程中采用双层量化方案，切断梯度传播并将微小对抗扰动吸收进量化区间，同时用注意力引导的多面量化策略缓解量化误差。在多个基准数据集上，将 QCLR 接入主流对比学习模型后，对白盒与黑盒对抗攻击的鲁棒性显著提升，分类精度仍保持竞争力。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。