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 des attaques adversariales reconnues, en local, sans jamais accéder à vos poids.
Types de modèles que nous testons
La classification et la détection d'objets sont disponibles aujourd'hui. Les familles marquées Roadmap sont en développement : contactez-nous si vous en avez besoin.
Classification Disponible
Classification d'images mono-label et multi-label
Détection d'objets Disponible
Détection mono-classe et multi-classes avec bounding boxes
Segmentation sémantique Roadmap
Segmentation pixel par pixel par classe
Segmentation d'instance Roadmap
Segmentation par objet individuel
Estimation de pose Roadmap
Détection de points clés (keypoints) humains ou objets
Estimation de profondeur Roadmap
Profondeur monoculaire et stéréoscopique
Reconnaissance faciale & biométrie Roadmap
Identification, vérification, détection de spoofing
Imagerie médicale & spécialisée Roadmap
Modèles entraînés sur imagerie médicale, satellite, agricole, industrielle
Super-résolution & restauration Roadmap
Amélioration d'image, débruitage, déflouage
Modèles génératifs Roadmap
GANs, autoencodeurs, modèles de diffusion (détection de deepfakes)
OCR & lecture de documents Roadmap
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.
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