《Pattern Recognition Letters》特刊通知
极市导读
本期特刊旨在推动深度学习模型的攻击与防御研究，包括快速对抗样本生成、不可感知数据投毒、精准数据重构、基于深度学习的鲁棒可溯源水印、对抗样本防御等。 >>加入极市CV技术交流群，走在计算机视觉的最前沿
主题：深度学习模型安全
简介：
深度学习已广泛应用于自然语言处理、计算机视觉、数据安全等诸多领域。为学习到有效的深度模型，需花费大量时间和精力来收集数据与分配计算资源。这些模型可能会被非法使用，从而牺牲模型所有者的权益。另一方面，深度学习模型也容易受到对抗样本或毒化数据的攻击。这严重降低了深度学习技术的准确性和可靠性。为此需进行深度学习模型安全研究，保障模型的真实性和可靠性，以抵御各种攻击。该研究还处于起步阶段，虽然已取得了一定进展，但要为基于深度学习的应用开发稳健可靠的模型还远远不够。
本期特刊旨在推动深度学习模型的攻击与防御研究，包括快速对抗样本生成、不可感知数据投毒、精准数据重构、基于深度学习的鲁棒可溯源水印、对抗样本防御等。
相关研究人员可通过原创研究来展示他们的工作。所有提交的论文将经过同行评审，并根据其质量和与本期主题的相关性进行选择。本期主题包括但不限于：
低复杂度的对抗样本生成 压缩多媒体数据的对抗样本生成 新兴数据的对抗样本生成 不可感知的高效数据投毒 精准数据重构 鲁棒神经网络水印 神经网络指纹 神经网络认证与篡改检测 对抗训练的有效策略与模型 精确对抗样本检测 广义鲁棒表示学习的假脸检测
重要日期：
投稿截止：2022年6月20日
评审结果反馈：2023年1月31日
客座编辑：
冯国瑞，上海大学，中国，邮箱：grfeng@shu.edu.cn
李晟，复旦大学，中国，邮箱：lisheng@fudan.edu.cn
赵健，北方电子设备研究所，中国，邮箱：zhaojian90@u.nus.edu
王正，东京大学，日本，邮箱：wangz@g.ecc.u-tokyo.ac.jp
更多信息请见：https://www.journals.elsevier.com/pattern-recognition-letters/call-for- papers/recent-advances-in-deep-learning-model-security
欢迎各界学者踊跃投稿！
如果觉得有用，就请分享到朋友圈吧！
公众号后台回复“目标跟踪”获取目标跟踪综述～
# CV技术社群邀请函 #
备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳）
即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群
每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~
