論文の概要: Certified Defense to Image Transformations via Randomized Smoothing

• arxiv url: http://arxiv.org/abs/2002.12463v4
• Date: Wed, 25 Aug 2021 07:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 08:13:18.530025
• Title: Certified Defense to Image Transformations via Randomized Smoothing
• Title（参考訳）: ランダム化平滑化による画像変換の認証防御
• Authors: Marc Fischer, Maximilian Baader, Martin Vechev
• Abstract要約: ランダム化スムーシングを拡張して変換(例えば、回転、翻訳)をカバーし、パラメータ空間の証明を行う。 乱れや丸みを帯びた効果は、画像変換が構成されないことを意味するため、これは特に困難である。 本稿では,統計的誤差境界や画像変換の効率的な逆計算によって,個々の証明がどのように得られるかを示す。
• 参考スコア（独自算出の注目度）: 13.482057387436342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We extend randomized smoothing to cover parameterized transformations (e.g., rotations, translations) and certify robustness in the parameter space (e.g., rotation angle). This is particularly challenging as interpolation and rounding effects mean that image transformations do not compose, in turn preventing direct certification of the perturbed image (unlike certification with $\ell^p$ norms). We address this challenge by introducing three different kinds of defenses, each with a different guarantee (heuristic, distributional and individual) stemming from the method used to bound the interpolation error. Importantly, we show how individual certificates can be obtained via either statistical error bounds or efficient online inverse computation of the image transformation. We provide an implementation of all methods at https://github.com/eth-sri/transformation-smoothing.
• Abstract（参考訳）: ランダム化平滑化をパラメータ化変換(例えば、回転、変換)に適用し、パラメータ空間(例えば、回転角)におけるロバスト性を検証する。 これは特に、補間と丸め効果は、画像変換が構成されないことを意味するので、摂動画像の直接認証($\ell^p$ノルムによる認証とは違って)を防ぐのが困難である。 我々は, 補間誤差のバウンド法から生じる保証(ヒューリスティック, 分布的, 個人的)の異なる3種類の防御手法を導入することで, この課題に対処した。 重要な点として,個々の証明書を統計的エラー境界あるいは画像変換の効率的なオンライン逆計算によって取得する方法を示す。 すべてのメソッドの実装はhttps://github.com/eth-sri/transformation-smoothingで行います。

関連論文リスト

• Fine-grained Image-to-LiDAR Contrastive Distillation with Visual Foundation Models [55.99654128127689]
  Visual Foundation Models (VFM) は、3D表現学習を強化するために使用される。 VFMは、弱制御された画素間コントラスト蒸留のためのセマンティックラベルを生成する。 我々は,空間分布とカテゴリー周波数の不均衡に対応するために,点のサンプリング確率を適応させる。
  論文  参考訳（メタデータ） (2024-05-23T07:48:19Z)
• General Lipschitz: Certified Robustness Against Resolvable Semantic Transformations via Transformation-Dependent Randomized Smoothing [5.5855074442298696]
  構成可能な可解なセマンティック摂動に対してニューラルネットワークを認証する新しいフレームワークであるEmph General Lipschitz (GL)を提案する。 提案手法は,ImageNetデータセットにおける最先端のアプローチと同等に機能する。
  論文  参考訳（メタデータ） (2023-08-17T14:39:24Z)
• ParGAN: Learning Real Parametrizable Transformations [50.51405390150066]
  本稿では、画像変換学習のためのサイクル一貫性GANフレームワークの一般化であるParGANを提案する。 提案したジェネレータは、画像と変換のパラメトリゼーションの両方を入力とする。 注釈付きパラメトリゼーションを伴わない不整合画像領域では、このフレームワークはスムーズな生成が可能であり、同時に複数の変換を学習できることを示す。
  論文  参考訳（メタデータ） (2022-11-09T16:16:06Z)
• GSmooth: Certified Robustness against Semantic Transformations via Generalized Randomized Smoothing [40.38555458216436]
  一般的な意味変換に対する堅牢性を証明するための統一的な理論的枠組みを提案する。 GSmoothフレームワークでは,画像と画像の代理ネットワークを用いて複雑な変換を近似するスケーラブルなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-09T07:12:17Z)
• Rigidity Preserving Image Transformations and Equivariance in Perspective [15.261790674845562]
  我々は、剛性カメラ運動を実現する画像平面変換のクラスを特徴付け、これらの変換を剛性保存と呼ぶ。 特に、ピンホール画像の2次元翻訳は剛性保存ではない。
  論文  参考訳（メタデータ） (2022-01-31T08:43:10Z)
• Quantised Transforming Auto-Encoders: Achieving Equivariance to Arbitrary Transformations in Deep Networks [23.673155102696338]
  畳み込みニューラルネットワーク(CNN)は画像翻訳と等価である。 埋め込みは任意の等式関係を同時に従うオートエンコーダアーキテクチャを提案する。 いくつかのデータセット上で入力画像の変換版の再レンダリングに成功した結果を示す。
  論文  参考訳（メタデータ） (2021-11-25T02:26:38Z)
• XCiT: Cross-Covariance Image Transformers [73.33400159139708]
  本稿では,トークンではなく機能チャネルをまたいで機能する自己注意の「伝達」バージョンを提案する。 その結果、XCAはトークン数に線形複雑さを持ち、高解像度画像の効率的な処理を可能にする。
  論文  参考訳（メタデータ） (2021-06-17T17:33:35Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image Classification [97.81205777897043]
  近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。 一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。 提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
  論文  参考訳（メタデータ） (2020-10-09T16:38:38Z)
• Meta-Learning Symmetries by Reparameterization [63.85144439337671]
  データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。 本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
  論文  参考訳（メタデータ） (2020-07-06T17:59:54Z)

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。