論文の概要: Noise or Signal: The Role of Image Backgrounds in Object Recognition

• arxiv url: http://arxiv.org/abs/2006.09994v1
• Date: Wed, 17 Jun 2020 16:54:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:10:41.781714
• Title: Noise or Signal: The Role of Image Backgrounds in Object Recognition
• Title（参考訳）: 雑音または信号:物体認識における画像背景の役割
• Authors: Kai Xiao and Logan Engstrom and Andrew Ilyas and Aleksander Madry
• Abstract要約: 我々は、ImageNetイメージ上の前景と背景信号をアンタングリングするためのツールキットを作成する。 a)モデルが背景のみに依存して非自明な精度が得られること、(b)モデルが正しく分類された前景が存在する場合でも、しばしば画像の分類を誤っていること、が分かる。
• 参考スコア（独自算出の注目度）: 93.55720207356603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We assess the tendency of state-of-the-art object recognition models to depend on signals from image backgrounds. We create a toolkit for disentangling foreground and background signal on ImageNet images, and find that (a) models can achieve non-trivial accuracy by relying on the background alone, (b) models often misclassify images even in the presence of correctly classified foregrounds--up to 87.5% of the time with adversarially chosen backgrounds, and (c) more accurate models tend to depend on backgrounds less. Our analysis of backgrounds brings us closer to understanding which correlations machine learning models use, and how they determine models' out of distribution performance.
• Abstract（参考訳）: 画像背景からの信号に依存する最先端オブジェクト認識モデルの傾向を評価する。 我々はimagenetイメージ上でフォアグラウンドとバックグラウンド信号を分離するツールキットを作成し、それを見つける。 (a)モデルでは、背景だけに頼ることで、非自明な精度が得られる。 (b)正しく分類された前景がある場合でも、しばしば画像の分類を間違えるモデル--反対に選択された背景を持つ場合の87.5%まで、及び (c)より正確なモデルは背景に依存する傾向がある。 私たちのバックグラウンド分析は、機械学習モデルが使用する相関や、分布性能からモデルを決定する方法の理解に近づきます。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Optimizing Relevance Maps of Vision Transformers Improves Robustness [91.61353418331244]
  視覚的分類モデルは、しばしば画像背景に依存し、前景を無視し、分布の変化に対する頑丈さを損なうことが観察されている。 本稿では,モデルが前景オブジェクトに注目するように,モデルの関連性信号を監視して操作することを提案する。 これは、画像とそれに関連する前景マスクからなる比較的少数のサンプルを含む、微調整のステップとして行われる。
  論文  参考訳（メタデータ） (2022-06-02T17:24:48Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• Myope Models -- Are face presentation attack detection models short-sighted? [3.4376560669160394]
  プレゼンテーション攻撃は生体認証システムへの繰り返しの脅威であり、インポスタはこれらのシステムをバイパスしようとする。 本研究は,作物と無作為の顔提示攻撃検出(PAD)モデルの比較研究である。 その結果,画像に背景が存在する場合,その性能は一貫して良好であることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T11:28:44Z)
• Representation, Analysis of Bayesian Refinement Approximation Network: A Survey [4.60479555961894]
  本稿では、修正U-Netモデルを用いてベイズ洗練法の結果を近似することに焦点を当てる。 修正されたU-Netモデルでは、他のモデルからの背景抽出の結果と、統計分布を学習するための入力としてソースイメージを組み合わせる。
  論文  参考訳（メタデータ） (2021-03-27T12:55:09Z)
• Rethinking Natural Adversarial Examples for Classification Models [43.87819913022369]
  ImageNet-Aは、自然対比例の有名なデータセットです。 オブジェクト検出技術を用いたImageNet-A例の背景影響を低減して仮説を検証した。 実験により,様々な分類モデルを用いた物体検出モデルは,その分類モデルよりも精度が高かった。
  論文  参考訳（メタデータ） (2021-02-23T14:46:48Z)
• An application of a pseudo-parabolic modeling to texture image recognition [0.0]
  偏微分方程式モデルを用いたテクスチャ画像認識のための新しい手法を提案する。 擬似パラボリックなBuckley-Leverett方程式を用いて、デジタル画像表現のダイナミクスを提供し、時間とともに進化するそれらの画像から局所的な記述子を収集する。
  論文  参考訳（メタデータ） (2021-02-09T18:08:42Z)
• Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
  知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。 敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-09-21T19:20:09Z)

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。