論文の概要: Polarizing Front Ends for Robust CNNs

• arxiv url: http://arxiv.org/abs/2002.09580v1
• Date: Sat, 22 Feb 2020 00:28:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 19:02:23.735199
• Title: Polarizing Front Ends for Robust CNNs
• Title（参考訳）: ロバストCNNのための分極フロントエンド
• Authors: Can Bakiskan, Soorya Gopalakrishnan, Metehan Cekic, Upamanyu Madhow, Ramtin Pedarsani
• Abstract要約: 本稿では,データを分極し定量化する非線形フロントエンドを用いて,逆方向の摂動を減衰させるボトムアップ戦略を提案する。 理想的な分極は、摂動を完全に排除し、データのほぼ偏極ベースを学習するためのアルゴリズムを開発し、提案手法がMNISTおよびFashion MNISTデータセット上で有効であることを示す。
• 参考スコア（独自算出の注目度）: 23.451381552751393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The vulnerability of deep neural networks to small, adversarially designed perturbations can be attributed to their "excessive linearity." In this paper, we propose a bottom-up strategy for attenuating adversarial perturbations using a nonlinear front end which polarizes and quantizes the data. We observe that ideal polarization can be utilized to completely eliminate perturbations, develop algorithms to learn approximately polarizing bases for data, and investigate the effectiveness of the proposed strategy on the MNIST and Fashion MNIST datasets.
• Abstract（参考訳）: ニューラルネットワークの小さな逆向きに設計された摂動に対する脆弱性は、その「過剰な線形性」に起因する可能性がある。 本稿では,データを分極し定量化する非線形フロントエンドを用いて,対向摂動を減衰させるボトムアップ戦略を提案する。 理想的な分極は、摂動を完全に排除し、データのほぼ偏極ベースを学習するためのアルゴリズムを開発し、提案手法がMNISTおよびFashion MNISTデータセット上で有効であることを示す。

関連論文リスト

• Deep Polarization Cues for Single-shot Shape and Subsurface Scattering Estimation [13.561603248769302]
  半透明物体の形状と地下散乱(SSS)パラメータを共同で推定する新しい学習手法を提案する。 観測の結果,SSSは光強度だけでなく偏光信号にも影響を及ぼすことがわかった。 偏光半透明物体の大規模合成データセットを導入し,モデルの学習を行った。
  論文  参考訳（メタデータ） (2024-07-11T03:00:24Z)
• Robust Depth Enhancement via Polarization Prompt Fusion Tuning [112.88371907047396]
  様々な深度センサによる不正確な深度測定を改善するために偏光イメージングを利用するフレームワークを提案する。 まず、偏光データとセンサ深度マップから高密度で完全な深度マップを推定するために、ニューラルネットワークを訓練した学習ベースの戦略を採用する。 大規模データセット上で事前学習したRGBモデルを有効に活用するためのPPFT(Polarization Prompt Fusion Tuning)戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-05T17:55:33Z)
• Mitigating Framing Bias with Polarity Minimization Loss [56.24404488440295]
  偏見バイアスは、実際の出来事の知覚を歪ませることによって政治的分極を悪化させる重要な役割を担っている。 そこで本研究では,フレーミングバイアスを低減するために,偏光入力項目間の極性差を最小限に抑える新たな損失関数を提案する。
  論文  参考訳（メタデータ） (2023-11-03T09:50:23Z)
• PARTNER: Level up the Polar Representation for LiDAR 3D Object Detection [81.16859686137435]
  本稿では、極座標における新しい3次元物体検出器Partnerを紹介する。 提案手法は,ONCE検証セットにおいて3.68%,9.15%の差で従来の極性理論よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-08T01:59:20Z)
• Neural Polarizer: A Lightweight and Effective Backdoor Defense via Purifying Poisoned Features [62.82817831278743]
  近年の研究では、バックドア攻撃に対するディープニューラルネットワークの感受性が示されている。 本研究では,学習可能なニューラルポーラライザを中間層としてバックドアモデルに挿入することで,新たなバックドア防御手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T05:39:58Z)
• Physically-admissible polarimetric data augmentation for road-scene analysis [4.972086627584208]
  本研究では,大規模ラベル付き道路シーンデータセットを偏光領域に転送するCycleGANを提案する。 結果として制約されたCycleGANは公開され、誰でも独自の偏光画像を生成することができる。
  論文  参考訳（メタデータ） (2022-06-15T10:04:43Z)
• Polarized skylight orientation determination artificial neural network [4.834173456342489]
  本稿では,偏光を用いた方向決定のためのニューラルネットワークを提案する。 ネットワークにおいて、偏光度(DOP)と偏光角度(AOP)を直接抽出する。
  論文  参考訳（メタデータ） (2021-07-06T00:19:22Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
  経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。 本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-05T02:25:23Z)

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。