🔥 今日值得一读
视频鲁棒性评测空白被填补：30个模型14种攻击10种防御一网打尽！
VCR-Bench: A Modular Open-Source Benchmark for Video Classification Robustness
👨💼 主理人解读 · 为什么值得关注
给视频分类模型提供统一鲁棒性测试，方便开发者复现和对比攻防效果。
📖 AI 总结
VCR-Bench 是一个模块化的开源基准框架，旨在解决视频分类鲁棒性研究缺乏统一评测标准的问题。与图像分类已有多个成熟基准不同，视频分类因引入时间维度，在对抗攻击、防御和预处理方面增加了额外的自由度，且时间采样、扰动预算与指标聚合之间的交互方式在图像领域没有直接对应物，导致相关研究分散在互不兼容的实现中，报告数据难以复现和分析。该框架标准化了视频加载、分类器封装、对抗攻击与防御、感知度量、配置预设和结果记录等环节，目前集成了30个视频分类模型、14种对抗攻击和10种防御封装，并在Kinetics-400子集上对代表性模型、攻击和防御进行了评测，报告了干净准确率、攻击成功率、感知质量、运行时间和内存占用等指标。VCR-Bench 提供了完整的安装文档、可复现的运行预设、组件扩展接口及结果复现脚本，为视频分类鲁棒性研究提供了可复现、可扩展的统一评测基础。
🔑 关键词速览
| VCR-Bench | 一个模块化开源基准框架，用于标准化视频分类鲁棒性的评估流程。 |
| 对抗攻击 | 对输入视频添加微小扰动，使分类器产生错误预测的方法。 |
| 对抗防御 | 旨在提高视频分类器对对抗攻击鲁棒性的技术或策略。 |
| 时间采样 | 从视频中选取帧序列的过程，影响分类器输入和攻击效果。 |
| Kinetics-400 | 一个大规模视频分类数据集，包含400个人体动作类别。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅