Buchumschlag

Red-Teaming Segment Anything Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jankowski, Krzysztof, Sobieski, Bartlomiej, Kwiatkowski, Mateusz, Szulc, Jakub, Janik, Michal, Baniecki, Hubert, Biecek, Przemyslaw
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Global Counterfactual Directions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2024)

Adversarial attacks and defenses in explainable artificial intelligence: A survey
von: Baniecki, Hubert, et al.
Veröffentlicht: (2023)

Interpreting CLIP with Hierarchical Sparse Autoencoders
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2025)

Red Teaming Models for Hyperspectral Image Analysis Using Explainable AI
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2024)

Rethinking Visual Counterfactual Explanations Through Region Constraint
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2024)

Interpretable machine learning for time-to-event prediction in medicine and healthcare
von: Baniecki, Hubert, et al.
Veröffentlicht: (2023)

SwordBench: Evaluating Orthogonality of Steering Image Representations
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2026)

Birds look like cars: Adversarial analysis of intrinsically interpretable deep learning
von: Baniecki, Hubert, et al.
Veröffentlicht: (2025)

Explaining Similarity in Vision-Language Encoders with Weighted Banzhaf Interactions
von: Baniecki, Hubert, et al.
Veröffentlicht: (2025)

Local Intrinsic Dimension Unveils Hallucinations in Diffusion Models
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2026)

Your CLIP has 164 dimensions of noise: Exploring the embeddings covariance eigenspectrum of contrastively pretrained vision-language transformers
von: Grzywaczewski, Jakub, et al.
Veröffentlicht: (2026)

Position: Do Not Explain Vision Models Without Context
von: Tomaszewska, Paulina, et al.
Veröffentlicht: (2024)

Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models
von: Chrabaszcz, Maciej, et al.
Veröffentlicht: (2024)

Attributions All the Way Down? The Metagame of Interpretability
von: Baniecki, Hubert, et al.
Veröffentlicht: (2026)

LINE: LLM-based Iterative Neuron Explanations for Vision Models
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

NormEnsembleXAI: Unveiling the Strengths and Weaknesses of XAI Ensemble Techniques
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2024)

X-ray transferable polyrepresentation learning
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2025)

CNN-based explanation ensembling for dataset, representation and explanations evaluation
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2024)

Adapting Segment Anything Model to Melanoma Segmentation in Microscopy Slide Images
von: Liu, Qingyuan, et al.
Veröffentlicht: (2024)

Modeling Retinal Ganglion Cells with Neural Differential Equations
von: Dobek, Kacper, et al.
Veröffentlicht: (2025)

SAM 2: Segment Anything in Images and Videos
von: Ravi, Nikhila, et al.
Veröffentlicht: (2024)

DeiSAM: Segment Anything with Deictic Prompting
von: Shindo, Hikaru, et al.
Veröffentlicht: (2024)

Composition Vision-Language Understanding via Segment and Depth Anything Model
von: Huo, Mingxiao, et al.
Veröffentlicht: (2024)

survex: an R package for explaining machine learning survival models
von: Spytek, Mikołaj, et al.
Veröffentlicht: (2023)

EfficientViT-SAM: Accelerated Segment Anything Model Without Accuracy Loss
von: Zhang, Zhuoyang, et al.
Veröffentlicht: (2024)

BiSeg-SAM: Weakly-Supervised Post-Processing Framework for Boosting Binary Segmentation in Segment Anything Models
von: Su, Encheng, et al.
Veröffentlicht: (2025)

Learning Abstract Visual Reasoning via Task Decomposition: A Case Study in Raven Progressive Matrices
von: Kwiatkowski, Jakub, et al.
Veröffentlicht: (2023)

Anytime, Anywhere, Anyone: Investigating the Feasibility of Segment Anything Model for Crowd-Sourcing Medical Image Annotations
von: Kulkarni, Pranav, et al.
Veröffentlicht: (2024)

Compress Any Segment Anything Model (SAM)
von: Fan, Juntong, et al.
Veröffentlicht: (2025)

Segment and Matte Anything in a Unified Model
von: Fan, Zezhong, et al.
Veröffentlicht: (2026)

Efficient Cutting Tool Wear Segmentation Based on Segment Anything Model
von: Li, Zongshuo, et al.
Veröffentlicht: (2024)

Does context matter in digital pathology?
von: Tomaszewska, Paulina, et al.
Veröffentlicht: (2024)

UnSAMv2: Self-Supervised Learning Enables Segment Anything at Any Granularity
von: Yu, Junwei, et al.
Veröffentlicht: (2025)

SAMAug: Point Prompt Augmentation for Segment Anything Model
von: Dai, Haixing, et al.
Veröffentlicht: (2023)

Promoting Segment Anything Model towards Highly Accurate Dichotomous Image Segmentation
von: Liu, Xianjie, et al.
Veröffentlicht: (2023)

Red-Teaming Text-to-Image Systems by Rule-based Preference Modeling
von: Cao, Yichuan, et al.
Veröffentlicht: (2025)

X-SAM: From Segment Anything to Any Segmentation
von: Wang, Hao, et al.
Veröffentlicht: (2025)

System-Embedded Diffusion Bridge Models
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2025)

SAM 3: Segment Anything with Concepts
von: Carion, Nicolas, et al.
Veröffentlicht: (2025)