学习在受限类别上阻碍少样本图像分类
计算机视觉与模式识别
2024-10-01 v1
摘要
开源预训练骨干网络的进步使得为新任务微调模型变得相对容易。然而，这种降低的门槛带来了潜在风险，例如不良行为者开发用于有害应用的模型。由此引出一个问题：是否有可能开发出一种难以针对某些下游任务进行微调的预训练模型？作为研究这一问题的开端，我们聚焦于少样本分类（FSC）。具体而言，我们研究在保持其他类别性能的同时，使 FSC 对一组受限类别更具挑战性的方法。我们提出以某种方式在预训练骨干网络上进行元学习，使其成为一种“糟糕的初始化”。我们提出的 Learning to Obstruct (LTO) 算法成功在三个数据集上阻碍了四种 FSC 方法，包括用于图像分类的 ImageNet 和 CIFAR100，以及用于属性分类的 CelebA。
引用
@article{arxiv.2409.19210,
title = {Learning to Obstruct Few-Shot Image Classification over Restricted Classes},
author = {Amber Yijia Zheng and Chiao-An Yang and Raymond A. Yeh},
journal= {arXiv preprint arXiv:2409.19210},
year = {2024}
}
备注
ECCV 2024