Robustesse Vision
Tests adversariaux et preuves de robustesse pour vos modèles de vision par ordinateur
Pourquoi VisionGuard ?
Une perturbation invisible à l'œil humain peut faire échouer votre modèle de vision. Dans la santé, l'agriculture, l'industrie ou la surveillance, les conséquences peuvent être critiques. VisionGuard teste vos modèles contre l'ensemble du spectre des attaques adversariales connues, en local, sans jamais accéder à vos poids.
Types de modèles supportés
Classification
Classification d'images mono-label et multi-label
Détection d'objets
Détection mono-classe et multi-classes avec bounding boxes
Segmentation sémantique
Segmentation pixel par pixel par classe
Segmentation d'instance
Segmentation par objet individuel
Estimation de pose
Détection de points clés (keypoints) humains ou objets
Estimation de profondeur
Profondeur monoculaire et stéréoscopique
Reconnaissance faciale & biométrie
Identification, vérification, détection de spoofing
Imagerie médicale & spécialisée
Modèles entraînés sur imagerie médicale, satellite, agricole, industrielle
Super-résolution & restauration
Amélioration d'image, débruitage, déflouage
Modèles génératifs
GANs, autoencodeurs, modèles de diffusion (détection de deepfakes)
OCR & lecture de documents
Reconnaissance de texte, analyse de documents, codes
Votre modèle n'est pas listé ?
Si votre architecture ou cas d'usage n'apparaît pas ici, contactez-nous. Nous développons des modules de test sur demande.
Nous contacter →Catégories d'attaques testées
Attaques par perturbation
Modifications imperceptibles ajoutées à l'entrée pour tromper le modèle. Tests à différents niveaux de bruit.
Attaques d'optimisation
Attaques itératives qui trouvent la perturbation minimale nécessaire pour faire échouer le modèle.
Évasion de détection
Attaques spécifiques aux détecteurs d'objets : disparition d'objets, faux positifs, contournement de NMS.
Diagnostic de gradient masking
Détection de la fausse robustesse : votre modèle semble robuste mais cache simplement ses gradients. Méthodologie issue de notre recherche en cours (paper Springer).
Patchs adversariaux
Tests avec des patchs visibles imprimables, pour évaluer la robustesse en conditions réelles.
Transformations physiques
Robustesse face aux rotations, changements de luminosité, occlusions partielles, bruit gaussien.
Démarrage en 3 commandes
# Installationpip install rednblue
# Authentificationset RNB_TOKEN=your_token
# Lancer un test (Classifier)
rnb preview --model resnet50.pth --input images/ --submit
# Pour YOLOrnb preview --model-type yolo --model best.pt --input images/ --submit