論文の概要: A Little Fog for a Large Turn
- arxiv url: http://arxiv.org/abs/2001.05873v1
- Date: Thu, 16 Jan 2020 15:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:27:24.618786
- Title: A Little Fog for a Large Turn
- Title（参考訳）: 大きな曲がり角の小さな霧
- Authors: Harshitha Machiraju, Vineeth N Balasubramanian
- Abstract要約: 霧などの悪天候条件がこれらのシステムの予測に大きく影響する自律航法の分野を考察する。
これらの気象条件は、モデルをテストするのに役立つ自然の敵のように振る舞うことができる。
我々の研究は、知覚的類似性に基づく、より自然で一般的な対人摂動の定義も提示している。
- 参考スコア（独自算出の注目度）: 26.556198529742122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small, carefully crafted perturbations called adversarial perturbations can
easily fool neural networks. However, these perturbations are largely additive
and not naturally found. We turn our attention to the field of Autonomous
navigation wherein adverse weather conditions such as fog have a drastic effect
on the predictions of these systems. These weather conditions are capable of
acting like natural adversaries that can help in testing models. To this end,
we introduce a general notion of adversarial perturbations, which can be
created using generative models and provide a methodology inspired by
Cycle-Consistent Generative Adversarial Networks to generate adversarial
weather conditions for a given image. Our formulation and results show that
these images provide a suitable testbed for steering models used in Autonomous
navigation models. Our work also presents a more natural and general definition
of Adversarial perturbations based on Perceptual Similarity.
- Abstract（参考訳）: adversarial perturbationと呼ばれる小さな、慎重に作られた摂動は、簡単にニューラルネットワークを騙すことができる。
しかし、これらの摂動は主に添加物であり、自然に見つからない。
我々は、霧などの悪天候がこれらのシステムの予測に劇的な影響を及ぼすような自律航法の分野に注意を向ける。
これらの気象条件は、モデルをテストするのに役立つ自然の敵のように振る舞うことができる。
この目的のために、生成モデルを用いて作成できる対向摂動の一般的な概念を導入し、サイクル一貫性生成対向ネットワークにインスパイアされた方法論を提供し、与えられた画像に対する対向的な気象条件を生成する。
これらの画像は、自律ナビゲーションモデルで使用されるステアリングモデルに適したテストベッドを提供することを示す。
また,本研究は,知覚的類似性に基づく逆摂動をより自然かつ一般的に定義する。
関連論文リスト
- PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。
非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文 参考訳（メタデータ） (2024-10-08T08:38:23Z) - Precipitation Nowcasting Using Physics Informed Discriminator Generative Models [9.497627628556875]
PySTEPSを含む最先端のモデルでは、予測不可能な分布パターンのため、極端な気象事象を正確に予測するのは難しい。
オランダ王立気象研究所の降水データと気象データを用いて降水流しを行う物理インフォームニューラルネットワークを設計する。
以上の結果から,PID-GANモデルは降水量で数値およびSOTA深部生成モデルよりも優れていた。
論文 参考訳（メタデータ） (2024-06-14T15:12:53Z) - Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。
我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。
我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
論文 参考訳（メタデータ） (2024-02-27T13:49:12Z) - Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models! [52.0855711767075]
EvoSeedは、フォトリアリスティックな自然対向サンプルを生成するための進化戦略に基づくアルゴリズムフレームワークである。
我々は,CMA-ESを用いて初期種ベクトルの探索を最適化し,条件付き拡散モデルで処理すると,自然逆数サンプルをモデルで誤分類する。
実験の結果, 生成した対向画像は画像品質が高く, 安全分類器を通過させることで有害なコンテンツを生成する懸念が高まっていることがわかった。
論文 参考訳（メタデータ） (2024-02-07T09:39:29Z) - DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。
従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。
本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
論文 参考訳（メタデータ） (2023-12-11T11:26:32Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - TPSeNCE: Towards Artifact-Free Realistic Rain Generation for Deraining
and Object Detection in Rain [23.050711662981655]
本稿では,現実的な降雨画像を生成するための画像間翻訳フレームワークを提案する。
まず, 三角確率類似性制約を導入し, 判別器多様体の鮮明で雨の多い画像に向けて生成した画像を誘導する。
実験では、最小限のアーチファクトと歪みで現実的な雨の発生を実証し、雨中の画像の劣化と物体の検出に有効である。
論文 参考訳（メタデータ） (2023-11-01T17:08:26Z) - F$^2$AT: Feature-Focusing Adversarial Training via Disentanglement of
Natural and Perturbed Patterns [74.03108122774098]
ディープニューラルネットワーク(DNN)は、よく設計された摂動によって構築された敵の例に対して脆弱である。
これは、自動運転車、監視セキュリティ、医療診断などの重要な応用について、悲惨な結果をもたらす可能性がある。
本稿では,自然パターンから中心となる特徴に焦点を合わせ,モデルに焦点をあてる機能集中型適応訓練(F$2$AT)を提案する。
論文 参考訳（メタデータ） (2023-10-23T04:31:42Z) - Generating Clear Images From Images With Distortions Caused by Adverse
Weather Using Generative Adversarial Networks [0.0]
本研究では,雨滴の付着による歪みを含む悪天候条件にともなう画像に対するコンピュータビジョンタスクの改善手法を提案する。
適切な生成対向ネットワークを訓練し,歪みの影響を除去するのに有効であることを示した。
論文 参考訳（メタデータ） (2022-11-01T05:02:44Z) - fakeWeather: Adversarial Attacks for Deep Neural Networks Emulating
Weather Conditions on the Camera Lens of Autonomous Systems [12.118084418840152]
深層ニューラルネットワーク(DNN)を誤解させる可塑性摂動導入における自然気象条件の影響をエミュレートする。
このような大気の摂動がカメラレンズに与える影響を観察することで、私たちはパターンをモデル化し、雨や雪、干し草の影響を偽装するさまざまなマスクを作ります。
我々は,複数の畳み込みニューラルネットワークおよびカプセルネットワークモデルに対して提案したフェイクウェザー攻撃を検証し,このような対向的摂動の存在下での顕著な精度低下を報告した。
論文 参考訳（メタデータ） (2022-05-27T07:49:31Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。