論文の概要: Towards Robust Pattern Recognition: A Review

• arxiv url: http://arxiv.org/abs/2006.06976v1
• Date: Fri, 12 Jun 2020 07:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 03:17:36.874831
• Title: Towards Robust Pattern Recognition: A Review
• Title（参考訳）: ロバストなパターン認識に向けて:レビュー
• Authors: Xu-Yao Zhang, Cheng-Lin Liu, Ching Y. Suen
• Abstract要約: オープン・アンド・チェンジ環境における堅牢性の欠如により、高精度なパターン認識システムは不安定で信頼性に欠ける可能性がある。 本稿では,現在の手法の欠点と限界を分析し,ロバストなパターン認識のための今後の研究方向を明らかにする。
• 参考スコア（独自算出の注目度）: 40.67637234536143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accuracies for many pattern recognition tasks have increased rapidly year by year, achieving or even outperforming human performance. From the perspective of accuracy, pattern recognition seems to be a nearly-solved problem. However, once launched in real applications, the high-accuracy pattern recognition systems may become unstable and unreliable, due to the lack of robustness in open and changing environments. In this paper, we present a comprehensive review of research towards robust pattern recognition from the perspective of breaking three basic and implicit assumptions: closed-world assumption, independent and identically distributed assumption, and clean and big data assumption, which form the foundation of most pattern recognition models. Actually, our brain is robust at learning concepts continually and incrementally, in complex, open and changing environments, with different contexts, modalities and tasks, by showing only a few examples, under weak or noisy supervision. These are the major differences between human intelligence and machine intelligence, which are closely related to the above three assumptions. After witnessing the significant progress in accuracy improvement nowadays, this review paper will enable us to analyze the shortcomings and limitations of current methods and identify future research directions for robust pattern recognition.
• Abstract（参考訳）: 多くのパターン認識タスクのアキュラシーは年々増加し、人間のパフォーマンスを達成または上回っている。 精度の観点からは、パターン認識はほぼ解決された問題である。 しかし、一度実際のアプリケーションで起動すると、オープンで変化する環境における堅牢性の欠如により、高精度なパターン認識システムは不安定で信頼性に欠ける可能性がある。 本稿では,3つの基本的および暗黙的な仮定(クローズドワールド仮定,独立的かつ同一に分布する仮定,およびほとんどのパターン認識モデルの基礎となるクリーンでビッグデータ仮定)を破る観点から,ロバストなパターン認識に関する研究を包括的にレビューする。 実際、私たちの脳は、複雑でオープンで変化する環境で、異なるコンテキスト、モダリティ、タスクを使って、弱い、または騒がしい監督下で、コンセプトを継続的に、そして段階的に学習することに頑健です。 これらは、上記の3つの仮定と密接に関連している人間の知能と機械知能の主な違いである。 近年の精度向上の著しい進展を目の当たりにした後、本稿では、現在の手法の欠点と限界を分析し、ロバストなパターン認識のための今後の研究方向を明らかにする。

関連論文リスト

• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• Perception Matters: Enhancing Embodied AI with Uncertainty-Aware Semantic Segmentation [24.32551050538683]
  Embodied AIは、探索されていない環境での行動に大きな進歩を遂げた。 現在の探索法は主に、日付付き知覚モデルに焦点をあて、時間的集約を無視し、地上の真実から試験時にノイズの多い知覚へ直接移行する。 本研究は,アグリゲーション間の知覚確率と不確かさを校正し,決定を下すことによって,同定された問題に対処する。
  論文  参考訳（メタデータ） (2024-08-05T08:14:28Z)
• Reliability in Semantic Segmentation: Are We on the Right Track? [15.0189654919665]
  我々は、古いResNetベースのアーキテクチャから新しいトランスフォーマーまで、さまざまなモデルを分析します。 近年のモデルでは, 信頼性は著しく高いが, 不確実性評価の点では, 全体として信頼性は高くない。 これは、ロバストネスと不確実性推定の両方に焦点を当てた現代のセグメンテーションモデルに関する最初の研究である。
  論文  参考訳（メタデータ） (2023-03-20T17:38:24Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
  敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。 本研究では,長尾分布下における敵対的脆弱性と防御について検討する。 我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
  論文  参考訳（メタデータ） (2021-04-06T17:53:08Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
  本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。 我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
  論文  参考訳（メタデータ） (2020-07-25T05:29:34Z)

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。