論文の概要: Improved Noise and Attack Robustness for Semantic Segmentation by Using Multi-Task Training with Self-Supervised Depth Estimation

• arxiv url: http://arxiv.org/abs/2004.11072v1
• Date: Thu, 23 Apr 2020 11:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 09:46:25.641230
• Title: Improved Noise and Attack Robustness for Semantic Segmentation by Using Multi-Task Training with Self-Supervised Depth Estimation
• Title（参考訳）: 自己監督深度推定を用いたマルチタスクトレーニングによるセマンティックセグメンテーションにおけるノイズとアタックロバスト性の改善
• Authors: Marvin Klingner, Andreas B\"ar, Tim Fingscheidt
• Abstract要約: 本研究では,ラベルなしビデオ上での自己教師付き単眼深度推定により,教師付きセマンティックセマンティックセグメンテーションを拡張するマルチタスクトレーニングによるロバストネスの向上を提案する。 提案手法の有効性をCityscapesデータセットで示し,マルチタスクトレーニングアプローチが単一タスクセマンティックセグメンテーションベースラインを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 39.99513327031499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While current approaches for neural network training often aim at improving performance, less focus is put on training methods aiming at robustness towards varying noise conditions or directed attacks by adversarial examples. In this paper, we propose to improve robustness by a multi-task training, which extends supervised semantic segmentation by a self-supervised monocular depth estimation on unlabeled videos. This additional task is only performed during training to improve the semantic segmentation model's robustness at test time under several input perturbations. Moreover, we even find that our joint training approach also improves the performance of the model on the original (supervised) semantic segmentation task. Our evaluation exhibits a particular novelty in that it allows to mutually compare the effect of input noises and adversarial attacks on the robustness of the semantic segmentation. We show the effectiveness of our method on the Cityscapes dataset, where our multi-task training approach consistently outperforms the single-task semantic segmentation baseline in terms of both robustness vs. noise and in terms of adversarial attacks, without the need for depth labels in training.
• Abstract（参考訳）: ニューラルネットワークトレーニングの現在のアプローチは、しばしばパフォーマンス向上を目的としているが、ノイズ条件の変化や敵の例による攻撃に対する堅牢性を目的としたトレーニング手法に、より少ない焦点が当てられている。 本稿では,教師ありセマンティクスセグメンテーションをラベルなしビデオの自己教師付き単眼深度推定により拡張するマルチタスクトレーニングによるロバスト性の向上を提案する。 この追加タスクは、いくつかの入力摂動の下で、テスト時のセグメンテーションモデルの堅牢性を改善するためにトレーニング中にのみ実行される。 さらに,我々の共同学習手法は,元の(教師付き)セマンティクスセグメンテーションタスクにおけるモデルの性能も向上することがわかった。 本評価は,セマンティクスセグメンテーションのロバスト性に対する入力ノイズと敵意攻撃の効果を相互に比較できるという,特定の新規性を示す。 本手法の有効性をCityscapesデータセットに示すため,マルチタスクのトレーニング手法は,頑健さとノイズの両方の観点からも,トレーニングの深度ラベルを必要とせずに,単一タスクセマンティックセマンティックセマンティックセマンティクスのベースラインを一貫して上回ります。

関連論文リスト

• Learning to Generate Training Datasets for Robust Semantic Segmentation [37.9308918593436]
  セマンティックセグメンテーション手法の堅牢性を改善するための新しい手法を提案する。 我々は,現実的で可視な摂動画像を生成するために,新しい条件付き生成対向ネットワークであるRobustaを設計した。 我々の結果は、このアプローチが安全クリティカルなアプリケーションに有用である可能性を示唆している。
  論文  参考訳（メタデータ） (2023-08-01T10:02:26Z)
• SegPGD: An Effective and Efficient Adversarial Attack for Evaluating and Boosting Segmentation Robustness [63.726895965125145]
  ディープニューラルネットワークに基づく画像分類は、敵の摂動に弱い。 本研究では,SegPGDと呼ばれる効果的かつ効率的なセグメンテーション攻撃手法を提案する。 SegPGDはより効果的な敵の例を生成することができるため、SegPGDを用いた敵の訓練はセグメントモデルの堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2022-07-25T17:56:54Z)
• Learn to Adapt for Monocular Depth Estimation [17.887575611570394]
  逆深度推定タスクを提案し,メタラーニングのパイプラインでモデルを訓練する。 提案手法は,テスト手順中の数ステップのトレーニングの後,新しいデータセットに順応する。
  論文  参考訳（メタデータ） (2022-03-26T06:49:22Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)
• Consistency Training with Virtual Adversarial Discrete Perturbation [17.311821099484987]
  本稿では,オリジナル入力と摂動入力とが類似するトレーニングモデルの予測を強制する効果的な一貫性トレーニングフレームワークを提案する。 少数のトークンを置き換えることで得られる仮想対向離散ノイズは、トレーニングモデルの決定境界を効率的にプッシュする。
  論文  参考訳（メタデータ） (2021-04-15T07:49:43Z)
• Stylized Adversarial Defense [105.88250594033053]
  逆行訓練は摂動パターンを生成し、モデルを堅牢化するためのトレーニングセットにそれらを含む。 我々は、より強力な敵を作るために、機能空間から追加情報を活用することを提案する。 我々の対人訓練アプローチは、最先端の防御と比べて強い堅牢性を示している。
  論文  参考訳（メタデータ） (2020-07-29T08:38:10Z)
• Semantics-Driven Unsupervised Learning for Monocular Depth and Ego-Motion Estimation [33.83396613039467]
  ビデオからの単眼深度と自我運動推定のためのセマンティクス駆動型教師なし学習手法を提案する。 近年の教師なし学習法では, 合成ビューと実画像の光度誤差を指導信号として用いている。
  論文  参考訳（メタデータ） (2020-06-08T05:55:07Z)
• Dynamic Divide-and-Conquer Adversarial Training for Robust Semantic Segmentation [79.42338812621874]
  敵のトレーニングは、敵の摂動に対するディープニューラルネットワークの堅牢性を改善することを約束している。 本研究は, 敵とクリーンの両方のサンプルに対して良好に動作可能な, 汎用的な敵の訓練手順を定式化する。 本稿では,防衛効果を高めるための動的分割対対人訓練(DDC-AT)戦略を提案する。
  論文  参考訳（メタデータ） (2020-03-14T05:06:49Z)

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。